2.5 Vrste mašinskog učenja

Nadgledano mašinsko učenje

Većina primera koje smo do sada videli su zapravo primeri nadgledanog mašinskog učenja. Nadgledano mašinsko učenje uključuje algoritme koji se savršeno uklapaju u ono o čemu smo do sada govorili i pomažu nam da naučimo kako da mapiramo jedan skup vrednosti na drugi. Zbog toga je neophodno da u skupu podataka na koji se primenjuju, pored vrednosti atributa, znamo i vrednosti ciljne varijable.

 Dva glavna zadatka nadgledanog mašinskog učenja su regresija i klasifikacija.   U oba regresijskih i klasifikacijskih zadataka, želimo da naučimo da predviđamo vrednosti, ali u regresijskim zadacima, vrednosti mogu biti proizvoljne, a u slučaju klasifikacije, one mogu biti iz unapred definisanog konačnog skupa vrednosti. Dakle, regresijski zadaci su pogodni za predviđanje vrednosti temperature, cene proizvoda (zadatak određivanja cene nekretnine sa kojom smo se susreli u uvodnom delu je primer regresijskog zadatka), razaranja zemljotresa i slično. S druge strane, utvrđivanje da li je pošta nepoželjna ili poželjna ili određivanje žanra filma su klasifikujući zadaci jer je skup vrednosti koje imamo na drugoj strani konačan - pošta može biti ili poželjna ili nepoželjna (dve vrednosti), dok žanr može biti, recimo, komedija, drama, akcija ili triler (četiri vrednosti). Nešto kasnije, predstavićemo precizniju definiciju svakog od ovih zadataka.

Klasifikacija i regresija. Utvrđivanje da li je neko visok ili nizak je zadatak klasifikacije. Određivanje tačne visine je zadatak regresije.

Mašinsko učenje bez nadzora

Koristimo mašinsko učenje bez nadzora u zadacima koji treba da ispitaju strukturu skupa podataka. Na primer, ako analiziramo kupovinu potrošača jedne prodavnice, može biti zanimljivo primetiti proizvode koji se često kupuju zajedno kako bi ih fino distribuirali u prodavnici, poboljšali ponudu, ali i profit. Na isti način, komentari korisnika mogu se analizirati i grupisati i usluge ili funkcije o kojima korisnici govore mogu se uočiti. Zadaci ovog tipa, u kojima želimo da vidimo grupe među podacima, nazivaju se klasteriranje. Kasnije u toku kursa, naučićete o algoritmu k-sredine, najpoznatijem algoritmu klasteriranja.

Clustering

Uočavanje slučajeva podataka koji su na neki način drugačiji od drugih takođe spada u zadatke mašinskog učenja bez nadzora. Tako, uočavanje atipičnih merenja senzora fabrike može biti signal za pokretanje dodatnih bezbednosnih procedura. Slično tome, uočavanje atipičnih bankarskih transakcija, na primer, sa udaljene lokacije ili u nekom neobičnom iznosu, može biti nagoveštaji prevare. Ovaj zadatak mašinskog učenja bez nadzora naziva se detekcija anomalija.

Otkrivanje anomalija

Mašinsko učenje bez nadzora takođe se bavi zadacima smanjenja dimenzionalnosti. Često, za potrebe grafičkog prikaza podataka, moramo da pređemo sa većeg broja atributa na manji broj atributa, na primer, dva ili tri. Jasno je da se tokom ove transformacije gube neke informacije iz početnog skupa podataka, ali, s druge strane, dobija se mogućnost prikazivanja podataka i možda bolji uvid u neke zakonitosti. Manja dimenzionalnost podataka (manje atributa) je poželjna i zbog bržeg izvršavanja algoritama i manje složenosti memorije, što može biti posebno važno ako imamo ograničene resurse za rad. Neki od najčešće korišćenih algoritama za smanjenje dimenzionalnosti su glavna analiza komponenti. analiza glavnih komponenti (PCA) i t-SNE.

Značenje smanjenja dimenzionalnosti: dva kvadra i njihove projekcije iz trodimenzionalnog u dvodimenzionalni prostor

Zanimljivo je da u zadacima mašinskog učenja bez nadzora nije potrebno znati vrednosti ciljne varijable. Klasteriranje, otkrivanje anomalija i smanjenje dimenzionalnosti vrše se samo na osnovu vrednosti atributa.

Učenje pojačanja

Sigurno ste mnogo puta videli kako trenirati psa. Kada mu se da zadatak, na primer, da donese loptu sa drugog kraja dvorišta, nagrada u obliku kolačića kada je donese motivisaće psa da sledeći put izvrši ovaj zadatak još uspešnije i radosnije. Ova ideja takođe leži u osnovi učenja pojačanjem. Učenje pojačanja je oblast mašinskog učenja koja se koristi u zadacima kao što su igranje igara ili autonomna vožnja. Karakteriše ga postojanje okruženja koje ima svoja stanja, agenta koji može da izvrši određeni skup akcija i koncept nagrade. Cilj je da agent u datom okruženju, čija se stanja menjaju, izabere (nauči) redosled akcija koji mu omogućava najveću nagradu. U kontekstu uvodnog primera, dvorište je okruženje. Njegova stanja mogu biti lopta na kraju dvorišta ili komšijska mačka na drvetu. Pas je agent, a skup akcija koje može da preduzme je da trči, da sedi, da ode na spavanje. Nagrada može biti broj kolačića ili ništa. Ako pas izabere pravi redosled akcija (trči, pronađe ga i vrati) na promenu okruženja, na primer, izgled lopte, on će moći da osvoji najveću nagradu.

Više o ovoj vrsti učenja saznaćete na kraju kursa.

Novi pravci učenja

Kada treba da savladamo novi zadatak, na primer, da naučimo da vozimo skuter, ne počinjemo od nule. Sva znanja i veštine koje smo stekli u nekim drugim zadacima, na primer, igranje košarke, vožnja biciklom, pa čak i upornost i strpljenje u zadacima koji nam nisu bili omiljeni, kao što je sređivanje podruma, pomažu nam da ga bolje savladamo. Ova ideja je osnova transfernog učenja. Zato često možete čuti ljude kako govore o modelima koji su korišćeni kao osnova za razvoj nekog drugog modela. Takvi modeli se prvo obučavaju na nekim opštim skupovima podataka i zadacima, a zatim se prekvalifikuju, tj. Mogu se koristiti i za rešavanje vrlo specifičnog zadatka. Na primer,  GPT jezički model korišćen je kao osnova za razvoj ChatGPT modela, koji se ranije dobro pokazao u zadacima generisanja rezimea, skraćenih verzija teksta i odgovaranja na pitanja.

Ideja učenja kroz prenos znanja

Tehnike prenosa znanja mogu se kombinovati sa svim gore navedenim vrstama učenja. Oni su posebno važni za nas kada skupovi podataka za obuku za određeni zadatak nisu dovoljno veliki ili kada razvijamo model za određeni domen.