Այս մեխանիզմները հնարավորություն են տալիս խելացի մեքենային կատարելագործել իր հնարավորությունները և կատարողականությունը ժամանակի ընթացքում, ինքնաբերաբար սովորելով փորձով կատարել որոշակի առաջադրանքներ, ժամանակի ընթացքում ավելի ու ավելի բարելավելով դրա կատարողականությունը:
Օրինակ է AlphaGo, Machine Learning ծրագրակազմ Go խաղի համար մշակված կողմից DeepMind- ը. AlpaGo-ն առաջին ծրագրաշարն էր, որն ընդունակ էր հաղթել մարդու վարպետին ինքնաթիռում Գոբան ստանդարտ չափս (19 × 19): AlphaGo ծրագրակազմը մշակվել է տարբեր խաղերի ընթացքում Go խաղացողների կատարած միլիոնավոր շարժումները դիտարկելով և մեքենան իր դեմ խաղալով, ինչի արդյունքում այն կարողացել է հաղթել նրան, ով համարվում էր այս խաղի աշխարհի լավագույն խաղացողը:
Եկեք հիմա անցնենք մեքենայական ուսուցման երեք հիմնական կատեգորիաներին:
Համակարգը ստանում է օրինակներ՝ պիտակավորված ըստ ցանկալի արդյունքի: Այսինքն՝ մեքենայի հրահանգավորման համար օգտակար տվյալների հավաքածուները կազմված են տարրերից, որոնք ներկայացնում են իրական իրավիճակներ՝ կազմված մուտքային տվյալներից»:Հատկություններ«Եվ ելքային տվյալներից»թիրախ«. Հոդվածի օրինակին հղումով Ինչ է մեքենայական ուսուցումը, ինչի մասին է այն և դրա նպատակները, ուսուցման նախապատրաստումը եղել է վերահսկվող տիպի, քանի որ ունեցել ենք երթուղիների առանձին դեպքեր, որոնցից յուրաքանչյուրի համար նշվում են առանձնահատկությունները (մեքենա, երթուղի) և թիրախը (ճանապարհորդության ժամանակը)։ Տվյալների հավաքածուները սովորաբար շատ ավելի բարդ են, օրինակը չափազանց սահմանափակ և դիդակտիկ էր՝ նպատակ ունենալով պարզեցնել վերահսկվող մեքենայական ուսուցման ըմբռնումը:
Այս տիպի դեպքը թույլ է տալիս ալգորիթմին ուսումնասիրել երթուղու տեսակի և տրանսպորտային միջոցի հիմքը, որը կարող է լինել ճանապարհորդության ժամանակը: Վերահսկվող մեքենայական ուսուցման մեջ կան երկու տեսակի խնդիրներ.
Վերանայելով ավտոմայրուղու երթուղիների օրինակը՝ կարելի է ասել, որ այն հետընթաց է։ Եթե թիրախը բաղկացած էր այնպիսի գնահատականից, ինչպիսին է՝ արագ, եթե մեկ ժամից պակաս է, դանդաղ՝ 1-ից երկու ժամ, շատ դանդաղ, եթե ավելի քան երկու ժամ: Այս դեպքում դա դասակարգման խնդիր կլիներ։
Չկան պիտակավորված տվյալներ, դա համակարգն է, որը, սկսած մուտքերից, պետք է տվյալների մեջ կառուցվածք գտնի։ Մենք գործնականում թիրախներ չունենք, այլ միայն մուտքագրված տվյալներ: Կարծես օրինակում մենք ունեինք միայն երթուղու և տրանսպորտային միջոցի տվյալներ, բայց ոչ ճամփորդության ժամանակի տվյալներ։
Այս մոտեցման դեպքում ալգորիթմները պետք է բացահայտեն կատեգորիաները՝ փնտրելով թաքնված կառույցներ տվյալների մեջ: Հիմնական գործիքները, որոնք կարող են օգտագործվել չվերահսկվող մոտեցման մեջ կլաստերացում իսկ ասոցիացիայի կանոնները.
Համակարգը մուտք է ստանում շրջակա միջավայրից և ձեռնարկում գործողություններ: Համակարգը փորձում է գործողություններ կատարել՝ պարգևներ ստանալու համար։ Համակարգը կփորձի իրականացնել գործողություններ, որոնք օպտիմալացնում են պարգևը՝ կախված շրջակա միջավայրի վիճակից:
Պարգևատրման համակարգը իրականացվում է բաղադրիչի միջոցով, որը կոչվում է գործակալ. Գործակալը որոշում է շրջակա միջավայրի նկատմամբ իրականացվելիք գործողություն և դրանից էլ ստանում է պարգեւատրում և, հնարավոր է, տեղեկատվություն շրջակա միջավայրի վիճակի մասին՝ նախաձեռնված գործողության հետևանքով։
Օրինակ, եթե մտածենք շախմատի խաղին նվիրված համակարգի մասին, ապա գործակալը այն բաղադրիչն է, որը որոշում է քայլը, միջավայրը հենց խաղն է: Գործակալի կատարած յուրաքանչյուր քայլի հետևանքով խաղի վիճակը փոխվում է (հասկացվում է որպես ներկա իրավիճակ, բոլոր խաղաքարերի դիրքը, նաև հակառակորդի քայլի հետևանքով), ստանալով արձագանք, որպես հակառակորդի կերած կտոր, հետևաբար. նախատեսված է որպես վարձատրություն տեղափոխության համար: Այս կերպ գործակալը սովորում է և ինքն իրեն կրթում։
Հետևաբար ակնհայտ է, որ մեքենայական ուսուցման տեսակների միջև ընտրությունը կախված է համատեքստից: Այսինքն՝ մոտեցման տեսակն ընտրվում է՝ ելնելով առկա տվյալներից և պատմություն ունենալու հնարավորությունից, որը ներառում է յուրաքանչյուր առանձին դեպքի (ներածում) հանգամանքների նկարագրությունը, ինչպես նաև արդյունք (ելք): Այսպիսով, այս տեսակի տվյալների հավաքածուի դեպքում կարող եք անցնել վերահսկվող մոտեցման օգտագործմանը:
Եթե, մյուս կողմից, դուք հնարավորություն չունեք ելքային տվյալները (թիրախը) a priori իմանալ, կամ ցանկանում եք հայտնաբերել նոր թիրախներ, ապա անհրաժեշտ է բացահայտել մուտքային տվյալների միջև կապերը՝ բացահայտելու այն հանգամանքները, որոնք երբեք չեն եղել: պատմությունը կամ ծանոթանալ մի միջավայրի վրա, որը զարգանում և արձագանքում է: Այս դեպքում անհրաժեշտ է ընտրել չվերահսկվող կամ ամրապնդման տեխնիկա:
Ercole PalmeriՆորարարության կախվածություն
Ցանկացած բիզնես գործողություն արտադրում է շատ տվյալներ, նույնիսկ տարբեր ձևերով: Ձեռքով մուտքագրեք այս տվյալները Excel թերթից…
Ընկերության էլ. փոստի փոխզիջումը 2024 թվականի առաջին երեք ամսում ավելացել է ավելի քան կրկնակի՝ համեմատած վերջին եռամսյակի…
Ինտերֆեյսի տարանջատման սկզբունքը օբյեկտի վրա հիմնված դիզայնի հինգ SOLID սկզբունքներից մեկն է: Դասարանը պետք է ունենա…
Microsoft Excel-ը տվյալների վերլուծության հղման գործիքն է, քանի որ այն առաջարկում է բազմաթիվ հնարավորություններ տվյալների հավաքածուների կազմակերպման համար,…
Walliance-ը, SIM-ը և հարթակը 2017 թվականից ի վեր անշարժ գույքի քրաուդֆանդինգի ոլորտում Եվրոպայի առաջատարների շարքում հայտարարում է ավարտի մասին…
Filament-ը «արագացված» Laravel-ի զարգացման շրջանակ է, որն ապահովում է մի քանի ամբողջական փաթեթ բաղադրիչներ: Այն նախատեսված է պարզեցնելու գործընթացը…
«Ես պետք է վերադառնամ, որպեսզի ավարտեմ իմ էվոլյուցիան. ես կպրոյեկտեմ ինձ համակարգչի ներսում և կդառնամ մաքուր էներգիա: Մի անգամ հաստատվելով…
Google DeepMind-ը ներկայացնում է արհեստական ինտելեկտի իր մոդելի կատարելագործված տարբերակը։ Նոր բարելավված մոդելն ապահովում է ոչ միայն…