טייפּס פון מאַשין לערנען

דער טערמין מאַשין לערנען (אָטאַמאַטיק לערנען) רעפערס צו אַ גאַנג פון מעקאַניזאַמז וואָס געהערן צו דער וועלט פון קינסטלעך סייכל. עס זענען דריי טייפּס פון מאַשין לערנען: סופּערווייזד, ונסופּערווייזד און ריינפאָרסמאַנט לערנען.

די מעקאַניזאַמז לאָזן אַן ינטעליגענט מאַשין צו פֿאַרבעסערן זייַן קייפּאַבילאַטיז און פאָרשטעלונג איבער צייַט, און אויטאָמאַטיש לערנען מיט דערפאַרונג צו דורכפירן זיכער טאַסקס און פֿאַרבעסערן די פאָרשטעלונג מער און מער איבער צייַט. 

א ביישפּיל איז אַלפאַגאָ, מאַשין לערנען ווייכווארג פֿאַר די Go שפּיל דעוועלאָפּעד דורך דעעפּמינד. AlpaGo איז געווען דער ערשטער ווייכווארג וואָס איז ביכולת צו באַזיגן אַ מענטש בעל אין די שפּיל אויף אַ פלאַך גאָבן נאָרמאַל גרייס (19 × 19). די AlphaGo ווייכווארג איז געווען געבילדעט דורך אָבסערווירן מיליאַנז פון מאָוועס געמאכט דורך Go פּלייַערס בעשאַס פאַרשידענע שפּילערייַ, און די מאַשין שפּיל קעגן זיך, מיט דער רעזולטאַט אַז עס איז ביכולת צו שלאָגן וואָס איז געווען געגלויבט צו זיין דער בעסטער שפּילער אין דער וועלט פון דעם שפּיל.

לאָמיר איצט גיין אין די דריי הויפּט קאַטעגאָריעס פון מאַשין לערנען.

סופּערווייזד לערנען

די סיסטעם באקומט ביישפילן מיטן נאָמען לויט דער געוואלט רעזולטאַט. דאָס איז, די דאַטאַסעץ נוציק פֿאַר ינסטרוקטינג די מאַשין זענען קאַמפּרייזד פון עלעמענטן וואָס רעפּראַזענץ פאַקטיש סיטואַטיאָנס געמאכט פון אַרייַנשרייַב דאַטן "איינריכטונגען"און פֿון רעזולטאַט דאַטן"ציל". מיט דערמאָנען צו דעם בייַשפּיל פון דעם אַרטיקל וואָס איז מאַשין לערנען, וואָס עס איז וועגן און זייַן אַבדזשעקטיווז, דער צוגרייטונג פון די טריינינג איז געווען פון די סופּערווייזד טיפּ ווי מיר האָבן יחיד קאַסעס פון רוץ, פֿאַר יעדער פון וואָס פֿעיִקייטן (פאָרמיטל, מאַרשרוט) און ציל (אַרומפאָרן צייט) זענען ספּעסיפיעד. דאַטאַ שטעלט זענען יוזשאַוואַלי פיל מער קאָמפּליצירט, די ביישפּיל איז געווען גאָר לימיטעד און דידאַקטיק, מיט דער ציל פון סימפּלאַפייינג די פארשטאנד פון סופּערווייזד מאַשין לערנען.

א פאַל פון דעם טיפּ אַלאַוז די אַלגערידאַם צו לערנען די יקער פון דעם טיפּ פון מאַרשרוט און פאָרמיטל, וואָס קען זיין די רייזע צייט. עס זענען צוויי טייפּס פון פּראָבלעמס אין סופּערווייזד מאַשין לערנען:

1. regression: ווען דער ציל איז צוזאמענגעשטעלט פון א שטענדיגע וועריאבל, דאס איז א כמות, א צאל;
2. קלאַסיפֿיקאַציע: ווען דער ציל קענען זיין רעפּריזענטיד דורך אַ קלאַס אָדער קאַטעגאָריע.

ריקאַנסידערינג דעם בייַשפּיל פון מאָטאָרווייַ רוץ, מיר קענען זאָגן אַז עס איז אַ ראַגרעשאַן. אויב דער ציל קאָנסיסטעד פון אַ אַסעסמאַנט אַזאַ ווי: שנעל אויב אונטער אַ שעה, פּאַמעלעך צווישן 1 און צוויי שעה, זייער פּאַמעלעך אויב איבער צוויי שעה. אין דעם פאַל עס וואָלט האָבן געווען אַ קלאַסאַפאַקיישאַן פּראָבלעם.

ניט-סופּערווייזד לערנען

עס איז קיין לייבאַלד דאַטן, עס איז די סיסטעם וואָס, סטאַרטינג פון די ינפּוץ, מוזן געפֿינען אַ סטרוקטור אין די דאַטן. מיר פּראַקטאַקלי האָבן קיין טאַרגאַץ, אָבער בלויז אַרייַנשרייַב דאַטן. ווי אויב אין דעם בייַשפּיל מיר האָבן בלויז די מאַרשרוט און פאָרמיטל דאַטן, אָבער נישט די רייזע צייט דאַטן.

אין דעם צוגאַנג, די אַלגערידאַמז מוזן ידענטיפיצירן קאַטעגאָריעס דורך זוכן פֿאַר פאַרבאָרגן סטראַקטשערז אין די דאַטן. די הויפּט מכשירים וואָס קענען זיין געוויינט אין די אַנסערווייזד צוגאַנג זענען די Clustering און פאַרבאַנד כּללים.

ריינפאָרסמאַנט לערנען

די סיסטעם נעמט אַרייַנשרייַב פון די סוויווע און נעמט אַקשאַנז. די סיסטעם פרוווט צו נעמען אַקשאַנז צו באַקומען ריוואָרדז. דער סיסטעם וועט פּרובירן צו ינסטרומענט אַקשאַנז וואָס אַפּטאַמייז די באַלוינונג דיפּענדינג אויף די שטאַט פון די אַרומיק סוויווע. 

די באַלוינונג סיסטעם איז ימפּלאַמענאַד דורך אַ קאָמפּאָנענט, גערופן אַגענט. דער אגענט באשליסט אן אקציע וואס מען זאל דורכפירן אויף דער סביבה און פון דעם באקומט ער איין באלוינונג און עפשער אינפֿאָרמאַציע אויף די שטאַט פון די סוויווע, ווי אַ קאַנסאַקוואַנס פון די ינישיייטיד קאַמף.

פֿאַר בייַשפּיל, אויב מיר טראַכטן פון אַ סיסטעם דעדאַקייטאַד צו די שפּיל פון שאָך, דער אַגענט איז דער קאָמפּאָנענט וואָס דיסיידז די מאַך, די סוויווע איז די שפּיל זיך. ווי אַ קאַנסאַקוואַנס פון יעדער איין מאַך געמאכט דורך די אַגענט, די שטאַט פון די שפּיל ענדערונגען (פֿאַרשטאַנען ווי די קראַנט סיטואַציע, די שטעלע פון ​​אַלע די ברעקלעך, אויך ווי אַ קאַנסאַקוואַנס פון די קעגנער 'ס מאַך), באַקומען באַמערקונגען ווי אַ קעגנער ס שטיק געגעסן, דעריבער בדעה ווי אַ באַלוינונג צו די מאַך. אין דעם וועג דער אַגענט לערנט, און דערציען זיך.

קאָנקלוסיאָנס

עס איז דעריבער קענטיק אַז די ברירה צווישן די טייפּס פון מאַשין לערנען דעפּענדס אויף דעם קאָנטעקסט. דאָס איז, דער טיפּ פון צוגאַנג איז אויסדערוויילט אויף דער באזע פון ​​די בנימצא דאַטן און די מעגלעכקייט צו האָבן אַ געשיכטע וואָס כולל די באַשרייַבונג פון די צושטאנדן פון יעדער יחיד פאַל (אַרייַן), און אויך אַ רעזולטאַט (רעזולטאַט). אַזוי מיט אַ דאַטן שטעלן פון דעם טיפּ, איר קענען גיינ ווייַטער צו נוצן אַ סופּערווייזד צוגאַנג.

אויב, אויף די אנדערע האַנט, איר טאָן ניט האָבן די מעגלעכקייט צו וויסן די רעזולטאַט דאַטן (ציל) אַ פּריאָרי, אָדער איר ווילן צו אַנטדעקן נייַע טאַרגאַץ, עס איז נייטיק צו ידענטיפיצירן פֿאַרבינדונגען צווישן די אַרייַנשרייַב דאַטן צו אַנטדעקן צושטאנדן וואָס קיינמאָל יקספּיריאַנסט אין די געשיכטע, אָדער צו אַנטקעגנשטעלנ זיך אַ לערנען צו אַ סוויווע וואָס יוואַלווז און ריאַקץ. אין דעם פאַל עס איז נייטיק צו אַפּט פֿאַר אַנסערווייזד אָדער ריינפאָרסמאַנט טעקניקס.

Ercole Palmeri: כידעש אַדיקטיד