Общие понятия

Понятие машинного обучения в искусственном интеллекте

Определение:

Машинное обучение (англ. Machine learning) — процесс, который даёт возможность компьютерам обучаться выполнять что-то без явного написания кода.

A.L. Samuel "Some Studies in Machine Learning Using the Game of Checkers" (IBM Journal. July 1959. P. 210–229)

Определение:

Говорят, что компьютерная программа учится на опыте $E$ относительно некоторой задачи $T$ и некоторой меры производительности $P$, если ее производительность на $T$, измеренная $P$, улучшается с опытом $E$.

T.M. Mitchell "Machine Learning" (McGraw-Hill, 1997)

Задача обучения

$X$ — множество объектов (англ. object set, or input set)
$Y$ — множество ответов (англ. label set, or output set)
$y ∶ X → Y$ — неизвестная зависимость (англ. unknown target function (dependency))

Компьютер всегда имеет дело с признаковым описанием объектов. Например: пациента можно описать признаками: имя, возраст, номер полиса, жалобы, давление, температура, результаты анализов.
$f_j∶ X → D_j,j = 1, ... , n$ — признаки (англ. features, or attributes).

Типы признаков:

• бинарный (binary): $D_j = \{0, 1\}$
• номинальный (categorical): $D_j$ конечно
• упорядоченный (ordinal): $D_j$ конечно и упорядоченно
• количественный (numerical): $D_j = \mathbb{R}$

Объект представляется как набор признаков $(f_1(x),... ,f_n(x))$. Данные обычно представляются в виде матрицы объектов-признаков
[math] F = ||f_j(x_i)||_{[l \times n]} = \begin{pmatrix} f_1(x_1) & \cdots & f_n(x_1) \\ \cdots & \cdots & \cdots \\ f_1(x_l) & \cdots & f_n(x_l) \\ \end{pmatrix} [/math]
Дано
${x_1, . . . , x_l} ⊂ X$ — обучающая выбока (англ. training sample set)
$y_i = y(x_i), i = 1, . . . , l $ — известные ответы
Найти
Найти $ a ∶ X → Y $ — алгоритм, решающую функцию (англ. decision function), приближающую $y$ на всём множестве $X$.

Типы задач

Задачи классификации (classification):

• $Y = \{−1, +1\}$ — классификация на 2 класса
• $Y = \{1, . . . , M\}$ — на $M$ непересекающихся классов
• $Y = \{0, 1\}^M$— на $M$ классов, которые могут пересекаться.

Задачи восстановления регрессии (regression):

• $Y = \mathbb{R}$ или $Y = \mathbb{R}^m$

Задачи ранжирования (ranking):

• $Y$ — конечное упорядоченное множество

Классификация задач машинного обучения

1. Обучение с учителем (англ. Supervised learning)
2. Обучение без учителя (англ. Unsupervised learning)
3. Обучение с частичным привлечением учителя (англ. Semi-supervised learning)
4. Обучение с подкреплением (англ. Reinforcement learning)
5. Активное обучение (англ. Active learning)
6. Обучение в реальном времени (англ. Online learning)
7. Структурное предсказание (англ. Structured prediction)
8. Выбор модели и валидация (англ. Model selection and validation)

Примеры задач

Supervised learning A set of examples with answers is given. A rule for giving answers for all possible examples is required: • classification; • regression; • learning to rank; • forecasting.

Unsupervised learning A set of examples without answers is given. A rule for finding answers or some regularity is required: • clustering; • association rules learning; • recommender systems*; • dimension reduction**.

How are the objects described? f j ∶ X → D j , j = 1, ... , n are features or attributes. Feature types: • binary: D j = 0, 1 ; • categorical: D j is finite; • ordinal: D j is finite and ordered; • numerical: D j = R.

См. также

• Переобучение
• Модель алгоритма и ее выбор
• Оценка качества в задаче кластеризации

Источники информации

1. Wiki $-$ Машинное обучение
2. Курс К.В.Воронцова