2.3 Základné pojmy strojového učenia

Koncepty, ktoré si predstavíme v tejto lekcii, sú základné pojmy strojového učenia. Pomôžu vám sledovať nižšie uvedené témy a o každej z nich sa dozviete viac.

Z hľadiska strojového učenia sa zber údajov, ktoré máme, nazýva súbor údajov. Môžu to byť nejaké jemné tabuľkové záznamy, podobné tým, s ktorými sa stretávame v databázach alebo excelových súboroch, ale aj nejaká skupina satelitných snímok alebo zvukových klipov. Jeden konkrétny prvok množiny údajov sa nazýva inštancia . Takže jeden konkrétny riadok v logaritmickej tabuľke alebo jeden konkrétny satelitný obrázok sú príkladmi inštancií. Počet inštancií v množine údajov môže určiť výber algoritmu učenia, pretože niektoré algoritmy vyžadujú viac údajov ako iné.

 V niektorých prípadoch existujú atribúty, vlastnosti, ktoré používame na opis údajov. Ak si predstavíme, že ide o tabuľkový záznam výskytu zemetrasení, ako atribúty sa môže objaviť dátum a čas výskytu, zemepisná šírka, dĺžka, sila zemetrasenia, úroveň skazy a ďalšie dôležité údaje. Atribúty sa rovnako nazývajú vlastnosti. O niečo neskôr sa dozviete, aké všetky druhy atribútov existujú a o čo sa musíme starať. Atribúty, na základe ktorých sa musíme naučiť riešiť úlohu, sa nazývajú vstupné premenné (vstupy) a tie, ktoré je potrebné naučiť výstupné premenné. Dátum a čas zemetrasenia, jeho geografické súradnice a magnitúda teda môžu byť vstupnými premennými pri určovaní devastácie zemetrasenia. Devastácia zemetrasenia je tiež prítomná ako atribút v súbore údajov, takže by to bola výstupná premenná. Niekedy použijeme menej formálne výrazy ako vstup a výstup . Je dôležité poznamenať, že je to úloha, ktorá určuje, čo budú vstupné premenné a čo výstupné premenné.

Aké by mohli byť atribúty satelitnej snímky?

Show answer

Povedali sme, že cieľom algoritmov strojového učenia je určiť mapovanie daných vstupov na dané výstupy. Teraz môžeme byť presnejší a povedať, že cieľom strojového učenia je určiť mapovanie daných vstupných premenných na dané výstupné premenné. Tieto priradenia sa nazývajú modely.

Bottom of Form

Koncept, ktorý spájame s mapovaním, je funkcia. Na hodinách matematiky ste počuli veľa o funkciách, ako sú mapovania vstupov na výstupy. Napríklad funkcia jednej premennej \(y = 2x + 4\) mapuje vstup \(x = 5\) na hodnotu \(y = 14\), zatiaľ čo funkcia viacerých premenných \(y = 2x1 − 3x2 + x3 + 5\) mapuje vstup \((x1,x2,x3)=(1,− 1,3)\) na hodnotu \(y = 13\). Premenné, ktoré sa zobrazujú vo funkciách, súvisia s hodnotami atribútu. Takže x v prvej funkcii môže predstavovať štvorcový záber nehnuteľnosti, zatiaľ čo \(x1, x2, x3\) v druhej funkcii môže predstavovať hodnoty atribútov, ako je zemepisná šírka, dĺžka a sila zemetrasenia. Na hodinách matematiky ste počuli, že existujú rôzne triedy funkcií (lineárne, polynómové, trigonometrické, exponenciálne, logaritmické) a že každá z nich je charakterizovaná niektorými špeciálnymi vlastnosťami, ako je kontinuita, monotónnosť alebo konvexnosť. Všetky tieto znalosti sú vítané pri hľadaní správneho modelu.

Zložitosť  funkcie je niečo, čo formálne nepredstavíme. Pochopíte, že niektoré funkcie sú jednoduchšie ako iné "klobásy". Jednoduché funkcie sú pre prácu obohacujúcejšie a ľahšie pochopiteľné, ale nedávajú nám veľa slobody pri popise niektorých nezvyčajnejších vzťahov medzi samotnými atribútmi a výstupmi. Na druhej strane, zložité funkcie sú z nejakého dôvodu zložité, takže pre nás môže byť ťažké sledovať niektoré ich matematické správanie, ktoré môže ovplyvniť učenie. Snažíme sa nájsť rovnováhu medzi zložitosťou a tým, čo vieme o údajoch a tým, čo sa chceme naučiť.

 V modeloch, ako sme videli na úvodnom príklade oceňovania nehnuteľností,  sa môžu objaviť parametre ako k a n. Takéto modely sa nazývajú parametrické modely a úloha určiť správny model sa obmedzuje na úlohu určiť najlepšie hodnoty parametrov. V lineárnom modeli sa v úlohe oceňovania nehnuteľností objavili iba dva parametre, zatiaľ čo moderné modely, Tie, ktoré sú založené na neurónových sieťach, majú milióny alebo miliardy parametrov. Uvidíme, že existujú aj mierne odlišné neparametrické modely , ktorých formy sú vyjadrené odlišne.

Proces hľadania modelu sa nazýva trénovanie modelu. Ak sú v modeli neznáme parametre, musíme ich hodnoty určiť počas tréningu. To je náš cieľ.

V množine údajov používaných na trénovanie modelov možno nájsť aj nepresné alebo protichodné hodnoty. Preto modely nikdy nie sú úplne správne. To nás privádza k ďalšiemu dôležitému konceptu v teórii strojového učenia: stratovej funkcii. Chybová funkcia nám hovorí, ako je model nesprávny. Jeho hodnoty aktívne využívame pri trénovaní modelu a snažíme sa o tie konfigurácie modelu, ktoré nás vedú k najnižšej hodnote chybovej funkcie. V prípade parametrických modelov, ako to bolo v úvodnom príklade s nehnuteľnosťami, je cieľom určiť tie hodnoty parametrov, pre ktoré je hodnota chybovej funkcie najnižšia.

Keď trénujeme model strojového učenia, musíme posúdiť, aký je v skutočnosti dobrý pre aplikáciu v praxi. Práve na to nám slúžia takzvané opatrenia kvality – každé z nich je prispôsobené konkrétnej učebnej úlohe a doméne, v ktorej sa bude model uplatňovať. Je dôležité zdôrazniť, že vo všeobecnosti sa chybová funkcia a miery kvality líšia. Cieľom oboch je poskytnúť nám informácie o tom, aký dobrý je model, chybová funkcia to robí počas trénovania modelu, zatiaľ čo meradlá kvality to robia po trénovaní modelu. Chybová funkcia je úzko spätá s modelom, zatiaľ čo miery kvality sú navrhnuté tak, aby im rozumeli používatelia aj odborníci na doménu. Ak sa nedosiahnu správne hodnoty kvality, musí sa model opraviť. Nižšie si povieme, čo to znamená a ako sa to dá dosiahnuť. Celý proces testovania kvality modelu a výpočtu jeho meradiel kvality sa nazýva testovanie modelu.

Hodnoty vypočítané a generované trénovaným modelom sa zvyčajne nazývajú predpovede. Príkladmi modelových predpovedí sú teda cena novej nehnuteľnosti alebo posúdenie devastácie zemetrasenia. Preto hovoríme o predpovediach vo svete umelej inteligencie. Je vám jasné, že tieto predpovede nie sú v žiadnom prípade náhodné, ale veľmi podložené a založené na údajoch. Aplikácia samotného modelu sa nazýva aj inferencia.

Všetky pojmy, ktoré sú zdôrazňované, sú dôležitými pojmami strojového učenia a sú vždy prítomné v literatúre o strojovom učení a jeho aplikáciách. Preto je dôležité, aby vám boli jasné a aby ste pochopili, akú úlohu zohrávajú pri vývoji modelu.