2.5 Typy strojového učenia

Strojové učenie pod dohľadom

Väčšina príkladov, ktoré sme doteraz videli, sú v skutočnosti príklady strojového učenia pod dohľadom . Strojové učenie pod dohľadom zahŕňa algoritmy, ktoré dokonale zapadajú do toho, o čom sme doteraz hovorili, a pomáhajú nám naučiť sa, ako mapovať jednu množinu hodnôt na druhú. Preto je potrebné, aby sme v súbore údajov, na ktorý sa vzťahujú, okrem hodnôt atribútu poznali aj hodnoty cieľovej premennej.

 Dve hlavné úlohy strojového učenia pod dohľadom sú regresia a klasifikácia . V úlohách regresie aj klasifikácie sa chceme naučiť predpovedať hodnoty, ale v regresných úlohách môžu byť hodnoty ľubovoľné a v prípade klasifikácie môžu byť z preddefinovanej konečnej množiny hodnôt. Regresné úlohy sú teda vhodné na predpovedanie hodnoty teploty, ceny produktu (úloha určenia ceny nehnuteľnosti, s ktorou sme sa stretli v úvodnej časti, je príkladom regresnej úlohy), devastácie zemetrasenia a podobne. Na druhej strane, určenie, či je pošta nežiaduca alebo žiaduca, alebo určenie žánru filmu sú klasifikačné úlohy, pretože súbor hodnôt, ktoré máme na druhej strane, je konečný - pošta môže byť buď žiaduca, alebo nežiaduca (dve hodnoty), zatiaľ čo žáner môže byť, povedzme, komédia, dráma, akcia alebo thriller (štyri hodnoty). O niečo neskôr predstavíme presnejšiu definíciu každej z týchto úloh.

Klasifikácia a regresia. Určenie, či je niekto vysoký alebo nízky, je úlohou klasifikácie. Určenie presnej výšky je úlohou regresie.

Strojové učenie bez dozoru

Strojové učenie bez dozoru používame v úlohách, ktoré potrebujú preskúmať štruktúru súboru údajov. Ak napríklad analyzujeme nákupy spotrebiteľov jedného obchodu, môže byť zaujímavé všimnúť si produkty, ktoré sa často kupujú spoločne, aby sme ich v obchode jemnejšie distribuovali, zlepšili ponuku, ale aj zisky. Rovnakým spôsobom je možné analyzovať a zoskupovať komentáre používateľov a nahliadnuť do služieb alebo funkcií, o ktorých používatelia hovoria. Úlohy tohto typu, v ktorých chceme vidieť skupiny medzi údajmi, sa nazývajú klastrovanie. Neskôr v kurze sa dozviete o algoritme k-priemeru, najznámejšom algoritme zhlukovania.

Clustering

Odhaľovanie inštancií údajov, ktoré sa nejakým spôsobom líšia od ostatných, tiež spadá pod úlohy strojového učenia bez dozoru. Odhalenie atypických meraní továrenských senzorov tak môže byť signálom na začatie ďalších bezpečnostných postupov. Podobne aj odhalenie atypických bankových transakcií, napríklad zo vzdialeného miesta alebo v nejakom nezvyčajnom množstve, môže byť náznakom podvodu. Táto úloha strojového učenia bez dohľadu sa nazýva detekcia anomálií.

Detekcia anomálií

Strojové učenie bez dozoru sa zaoberá aj úlohami znižovania dimenzionality. Často na účely grafického znázornenia údajov potrebujeme prejsť od väčšieho počtu atribútov k menšiemu počtu atribútov, napríklad dva alebo tri. Je zrejmé, že pri tejto transformácii sa strácajú niektoré informácie z počiatočného súboru údajov, ale na druhej strane sa získava schopnosť zobrazovať údaje a možno aj lepší prehľad o niektorých zákonitostiach. Menšia dimenzionalita údajov (menej atribútov) je žiaduca a kvôli rýchlejšiemu vykonávaniu algoritmov a menšej zložitosti pamäte, čo môže byť obzvlášť dôležité, ak máme obmedzené zdroje na prácu. Niektoré z najčastejšie používaných algoritmov na redukciu dimenzionality sú analýza hlavných komponentov.  analýza hlavných zložiek (PCA) a t-SNE.

Význam redukcie dimenzionality: dva kvádre a ich projekcie z trojrozmerného do dvojrozmerného priestoru

Zaujímavosťou je, že pri úlohách strojového učenia bez dohľadu nie je potrebné poznať hodnoty cieľovej premennej. Zhlukovanie, detekcia anomálií a redukcia dimenzionality sa vykonávajú iba na základe hodnôt atribútov.

Posilňovacie učenie

Určite ste už mnohokrát videli, ako vycvičiť psa. Keď dostane úlohu napríklad priniesť loptu z druhého konca dvora, odmena v podobe sušienky, keď ju prinesie, bude psa motivovať k tomu, aby nabudúce túto úlohu splnil ešte úspešnejšie a radostnejšie. Táto myšlienka je tiež základom učenia sa posilňovaním. Posilňovacie učenie je oblasť strojového učenia, ktorá sa používa pri úlohách, ako je hranie hier alebo autonómne šoférovanie. Vyznačuje sa existenciou prostredia, ktoré má svoje vlastné stavy, agenta, ktorý môže vykonávať určitý súbor akcií a konceptom odmeny. Cieľom je, aby si agent v danom prostredí, ktorého stavy sa menia, vybral (naučil sa) postupnosť akcií, ktorá mu umožní najväčšiu odmenu. V kontexte úvodného príkladu je dvor prostredím. Jeho stavy môžu byť lopta na konci dvora alebo susedova mačka na strome. Pes je agent a súbor akcií, ktoré môže urobiť, je behať, sedieť, ísť spať. Odmenou môže byť množstvo cookies alebo nič. Ak si pes zvolí správnu postupnosť akcií (bežať, nájsť ho a vrátiť) k zmene prostredia, napríklad vzhľadu lopty, bude môcť vyhrať najväčšiu cenu.

Viac o tomto type učenia sa dozviete na konci kurzu.

Nové smery učenia

Keď potrebujeme zvládnuť novú úlohu, napríklad naučiť sa jazdiť na kolobežke, nezačíname od nuly. Všetky vedomosti a zručnosti, ktoré sme získali pri niektorých iných úlohách, napríklad pri hraní basketbalu, cyklistike, a dokonca aj vytrvalosť a trpezlivosť v úlohách, ktoré neboli naše obľúbené, ako napríklad upratovanie pivnice, nám pomáhajú lepšie to zvládnuť. Táto myšlienka je základom transferového učenia. Preto často môžete počuť ľudí hovoriť o modeloch, ktoré boli použité ako základ pre vývoj nejakého iného modelu. Takéto modely sa najprv trénujú na niektorých všeobecných súboroch údajov a úlohách a potom sa pretrénujú, t. j. môžu byť použité aj na riešenie veľmi konkrétnej úlohy. Napríklad jazykový  model GPT bol použitý ako základ pre vývoj modelu ChatGPT, ktorý predtým dobre fungoval v úlohách generovania zhrnutí, skrátených verzií textu a odpovedania na otázky.

Myšlienka učenia sa prostredníctvom prenosu vedomostí

Techniky prenosu vedomostí je možné kombinovať so všetkými vyššie uvedenými typmi učenia. Sú pre nás dôležité najmä vtedy, keď tréningové datasety pre konkrétnu úlohu nie sú dostatočne veľké alebo keď vyvíjame model pre konkrétnu doménu.