Proces trénovania algoritmov na vopred označených dátach. Systém sa učí predpovedať výsledky na základe historických príkladov, kde je správna odpoveď známa.
Učenie s učiteľom (Supervised Learning) predstavuje najpoužívanejší typ strojového učenia v súčasnej praxi. Jeho podstata spočíva v existencii trénovacej množiny, ktorá obsahuje vstupné vektory a im prislúchajúce cieľové hodnoty, takzvané labely. Algoritmus sa snaží nájsť matematickú funkciu, ktorá čo najpresnejšie mapuje vstup na výstup. Tento prístup je kľúčový pre pochopenie základov a terminológie v oblasti umelej inteligencie.
V praxi to znamená, že ak chceme model naučiť rozpoznávať spam v e-mailoch, musíme mu predložiť tisíce správ, ktoré sú manuálne označené ako „spam“ alebo „nie spam“. Model analyzuje frekvenciu slov, štruktúru viet a metaúdaje, aby si vytvoril vnútorný model rozhodovania. Pri nasadení potom tento model aplikuje získané poznatky na nové, doteraz nevidené e-maily s cieľom správne ich kategorizovať.
Tento proces vyžaduje vysokú kvalitu dát, pretože akékoľvek chyby v označení (noise) priamo ovplyvňujú presnosť finálneho modelu. Efektivita algoritmu sa následne meria pomocou chybovej funkcie, ktorá kvantifikuje rozdiel medzi predpoveďou modelu a skutočnou hodnotou. Cieľom tréningu je minimalizovať túto chybu pomocou optimalizačných techník, ako je napríklad gradientný zostup.
Predpovedanie spojitých číselných hodnôt
Regresia sa používa v prípadoch, keď je cieľová premenná spojitá. Typickým príkladom je predpoveď ceny nehnuteľnosti na základe jej rozlohy, lokality a veku. Algoritmus nehľadá kategóriu, ale konkrétne číslo na číselnej osi. Tento prístup je nevyhnutný pre finančné plánovanie, predpoveď dopytu alebo analýzu trendov v priemysle.
Analýza energetických systémov budov
Pri správe inteligentných budov regresné modely analyzujú vonkajšiu teplotu, vlhkosť a obsadenosť miestností. Výsledkom je predpoveď spotreby elektriny v kilowatthodinách na nasledujúcich 24 hodín, čo umožňuje optimalizáciu nákupu energie na burze.
Priemerná presnosť moderných regresných modelov
Hierarchická štruktúra otázok a odpovedí. Model rozdeľuje dáta do skupín na základe kritérií, až kým nedosiahne finálne rozhodnutie (list stromu).
Algoritmus hľadá optimálnu hranicu (hyperrovinu), ktorá najlepšie oddeľuje dve alebo viac tried v multidimenzionálnom priestore.
Klasifikácia na základe podobnosti. Nový dátový bod je priradený k triede, ktorá prevláda medzi jeho najbližšími susedmi v priestore.
Zatiaľ čo binárna klasifikácia rieši otázky typu "Áno/Nie" (napr. identifikácia podvodnej transakcie), multitriedna klasifikácia priraďuje objekty do jednej z mnohých kategórií (napr. rozpoznávanie rukou písaných číslic 0-9). Pre komplexnejšie úlohy, ako je spracovanie obrazu, sa často využívajú neurónové siete.
Kľúčovým parametrom pri klasifikácii je tzv. Confusion Matrix, ktorá ukazuje pomer správne a nesprávne predpovedaných tried. Pomáha inžinierom pochopiť, či model nemá tendenciu zamieňať si konkrétne dve kategórie.
"Kvalita modelu v učení s učiteľom nikdy neprekročí kvalitu dát, na ktorých bol vytrénovaný. Garbage in, garbage out zostáva zlatým pravidlom inžinierstva."
— Technický princíp Kilnbrick
Anotácia alebo labelovanie je proces priraďovania významu surovým dátam. Bez tohto kroku je učenie s učiteľom nemožné. Ide o časovo najnáročnejšiu fázu vývoja AI, ktorá často vyžaduje expertné znalosti v danej doméne (napríklad rádiológ musí označiť nádory na RTG snímkach).
Dáta sa zvyčajne delia do troch skupín:
Pre efektívne spracovanie týchto objemov sú kritické hardvérové požiadavky, najmä výkonné grafické procesory (GPU), ktoré dokážu paralelne spracovávať tisíce operácií za sekundu.
Času projektu zaberá príprava dát
Parametrov v bežných modeloch
Pomer experta k dátam
Rýchlosť inferencie modelu
Regresia predpovedá spojité množstvo (napr. teplota, cena, čas). Klasifikácia priraďuje dáta do diskrétnych kategórií (napr. mačka/pes, chorý/zdravý). Výber závisí od charakteru cieľovej premennej.
Stav, kedy sa model naučil trénovacie dáta naspamäť vrátane ich šumu. Takýto model exceluje na trénovacej množine, ale úplne zlyháva pri reálnych dátach v praxi. Riešením je regularizácia alebo viac dát.
Neexistuje univerzálne číslo. Pre jednoduché regresie stačia stovky záznamov. Pre komplexné videnie alebo spracovanie jazyka sú potrebné milióny príkladov. Viac o náročnosti nájdete v sekcii matematický aparát.
Zistite, ako algoritmy hľadajú skryté vzorce v dátach, ktoré nemajú žiadne označenie ani vopred definované výsledky.
Prejsť na Učenie bez učiteľa