Образовательный портал «Кафедра онлайн» НИЯУ «МИФИ», Обнинск"

Главная » Рубрики » Практика, УИР, диплом » Методы машинного обучения

Методы машинного обучения

Д.К. Легчиков,  магистрант ИАТЭ НИЯУ «МИФИ», Обнинск

Машинное обучение (Machine Learning) — обширный подраздел искусственного интеллекта , изучающий методы построения моделей, способных обучаться, и алгоритмов для их построения и обучения. Машинное обучение находится на стыке математической статистики, методов оптимизации и дискретной математики, но имеет также и собственную специфику, связанную с проблемами вычислительной эффективности и переобучения. Многие методы индуктивного обучения разрабатывались как альтернатива классическим статистическим подходам.

Общая постановка задачи обучения по прецедентам

Имеется множество объектов (ситуаций) и множество возможных ответов (откликов, реакций). Существует некоторая зависимость между ответами и объектами, но она неизвестна. Известна только конечная совокупность прецедентов — пар «объект, ответ», называемая обучающей выборкой. На основе этих данных требуется восстановить зависимость, то есть построить алгоритм, способный для любого объекта выдать достаточно точный ответ. Для измерения точности ответов определённым образом вводится функционал качества.
Данная постановка является обобщением классических задач аппроксимации функций. В классических задачах аппроксимации объектами являются действительные числа или векторы. В реальных прикладных задачах входные данные об объектах могут быть неполными, неточными, нечисловыми, разнородными. Эти особенности приводят к большому разнообразию методов машинного обучения.

Способы машинного обучения

Обучение с учителем — для каждого прецедента задаётся пара «ситуация, требуемое решение»:

  • Метод коррекции ошибки
  • Метод обратного распространения ошибки

Обучение без учителя — для каждого прецедента задаётся только «ситуация», требуется сгруппировать объекты в кластеры, используя данные о попарном сходстве объектов, и/или понизить размерность данных:

  • Альфа-система подкрепления
  • Гамма-система подкрепления
  • Метод ближайших соседей

Обучение с подкреплением — для каждого прецедента имеется пара «ситуация, принятое решение»:

  • Генетический алгоритм

Классические задачи, решаемые с помощью машинного обучения

  • Классификация как правило, выполняется с помощью обучения с учителем на этапе собственно обучения.
  • Кластеризация как правило, выполняется с помощью обучения без учителя
  • Регрессия как правило, выполняется с помощью обучения с учителем на этапе тестирования, является частным случаем задач прогнозирования.
  • Понижение размерности данных и их визуализация выполняется с помощью обучения без учителя
  • Восстановление плотности распределения вероятности по набору данных
  • Одноклассовая классификация и выявление новизны
  • Построение ранговых зависимостей

Практические сферы применения

  • Распознавание речи
  • Распознавание образов
  • Техническая диагностика
  • Медицинская диагностика
  • Прогнозирование временных рядов
  • Обнаружение спама
  • Кредитный скоринг
  • Обучение ранжированию в информационном поиске

Щелкните здесь мышкой, чтобы увидеть полный текст публикации.

3 комментариев

Похожие публикации
 
 

3 комментариев

  1. Дмитрий Легчиков. Методы машинного обучения.

  2. А в чем новизна данной работы?

  3. Отвечу за автора. Данная работа не претендует на новизну. У неё другой жанр — обзорная лекция (доклад). То есть цель работы — познакомить других студентов с данной темой. Такие доклады делают студенты-магистранты в рамках педагогической практики, как часть развития профессиональных навыков.

 
 

Вы можете оставить комментарий

 





 
 

Выполните простое задание (антиспам). Картинки можно сибирать приблизительно, без точной подгонки фрагментов.


 
 
 

Наверх