A gépi tanulás 3 fő típusa

Social share

Gépi tanulás. Nélküle sokkal unalmasabb lenne a Netflix és a Facebook, nem lennének beszélő robotjaink és bizony nem is álmodozhatnánk még önvezető autókról sem. A gépi tanulás során a programok, algoritmusok adatokból önállóan tanulnak, fejlesztik képességeiket. Ebben a blogban a gépi tanulás 3 fő típusát mutatom be.

A gépi tanulás fő típusai

Ha kíváncsi vagy, mi mindent köszönhetünk a gépi tanulásnak, akkor érdemes elolvasnod korábbi cikkünket:

A gépi tanulás mibenléte

A továbbiakban viszont a gépi tanulás 3 fő típusát fogom bemutatni.

Felügyelt tanulás

A gépi tanulás első fő típusa során az adatokat címke-példa párosokba rendszerezik.

Az algoritmus feladata, hogy megtanulja felcímkézni a megadott témákat, ennek eredményéről pedig visszajelzést kap.

Egy idő után az algoritmus képes lesz olyan példákat, adatokat is megfelelőképpen felcímkézni, melyeket még sose látott.

Feladat-vezérelt gépi tanulásnak is nevezik, ugyanis mindig egy konkrét feladat elvégzésére alkalmazzák.

Milyen területen lehet hasznos a gépi tanulás ezen típusa?

Hirdetések elhelyezése

Az online marketing is egy olyan terület, mely már eddig is rengeteget profitált a mesterséges intelligenciából.

Miben segíthet egy ilyen algoritmus a hirdetőknek? Képes kiválasztani azokat a tartalmakat, melyek jobban fognak teljesíteni egy adott csatornán.

Spamszűrő

Az emaileknél használt spamszűrő is ilyen módon tanulja meg, hogy mi számít kéretlen üzenetnek.

A jobb felhasználói élmény érdekében sok rendszernél egyedi címkéket is meg lehet adni.

Arcfelismerés

A Facebook arcfelismerője is ugyanilyen elven működik. A feltöltött képeken megtalált arcokat párosítja a felhasználói fiókokkal.

Nem csak a közösségi oldalon, hanem a robotikában is használatos az arcfelismerés. Sőt, a Softbank Robotics már olyan algoritmust is kifejlesztett Pepper robothoz, mely képes meghatározni, hogy a beszélgetőpartner visel-e maszkot.

Most ismerjük meg a gépi tanulás másik fő típusát is!

Felügyelet nélküli tanulás

Az adatok nincsenek felcímkézve, csoportosítva. Ugyanakkor az algoritmus rendelkezik olyan eszközökkel, melyek segítségével felismeri azok lényeges tulajdonságait, így képes rendszerezni őket.

A világon elérhető adatmennyiség nagy része ilyen címkézetlen, strukturálatlan adatokból áll. Ezért előnyös ilyen algoritmusok használata.

Hol lehet élesben is bevetni?

Egyik kedvenc példám a szegmentálás vásárlási szokások alapján.

Ahogy az interneten vásárolgatunk, az adataink bekerülnek egy adatbázisba, ahol az algoritmusok rendszerezik őket, és besorolják az egyes vásárlókat különböző fogyasztói szegmensekbe, tehát a vásárlási szokások alapján homogén csoportokba.

Egy másik kiváló példa a Netflix filmajánlója.

Én kifejezetten nagy rajongója vagyok ennek a szolgáltatásnak, és élvezem, hogy nem kell keresgélnem – a széles kínálatban valószínűleg csak nagyon nehezen találnám meg az engem érdeklő filmeket.

A Netflix is gyűjti az adatokat, és képes csoportokba rendezni a hasonló érdeklődésű felhasználókat. A megnézett filmek alapján összehasonlítja a felhasználókat. Ha egy hasonló felhasználó megnézett olyan filmet is, melyet én még nem, akkor ezt a rendszer felajánlja nekem is.

Megerősített tanulás

A megerősített tanulást gyakran “viselkedés-vezéreltként” magyarázzák. Hunter Heidenreich egyik cikkében úgy utalt rá, mint “tanulás a hibákból”.

Megerősített tanulás esetén az algoritmust elkezdik kiképezni valamilyen adott környezetben. Eleinte az algoritmus rengeteget hibázik. Hiba esetén negatív jelzést kap, jó eredmény esetén pedig pozitívat. Ily módon képes fejlődni, tanulni az elkövetett hibákból és egyre pontosabbá válik.

Ilyen algorimtussal tudta kiegyensúlyozni a Google adatcentereinek energiafelhasználását. Az algorimtus oly módon szabályozza a energiafelhasználást, hogy az elegendő legyen, de ne túl sok. Ezáltal jóval alacsonyabb adattárolási költségek terhelik a felhasználókat.

Összefoglalás

A gépi tanulási projekteket 3 fő típusba sorolhatjuk.

Felügyelt tanulás: címkézett adatok, az algoritmus visszajelzést kap arról, ha egy adatot jól címkézett fel. Elegendő gyakorlás után képes lesz sosem látott adatokat is helyesen felcímkézni.

Felügyelet nélküli tanulás: strukturálatlan adatok, viszont az algoritmus rendelkezik olyan eszközökkel, melyekkel képes felismerni az adatok főbb jellemzőit. Ez alapján rendszerezi őket.

Megerősített tanulás: a rendszer a hibákból tanul. Eleinte sokat hibázik, erről negatív visszacsatolást kap. Elegendő gyakorlás után egyre pontosabbá válik.

A gépi tanulásnak köszönhetjük például a Netflix filmajánlóját vagy a Facebook hírfolyamát, melyek a tevékenységünk alapján releváns tartalmakat dobnak fel nekünk.

Mi is felügyelt gépi tanulást használunk Pepper robot arcfelismerőjének fejlesztése során. Itt a cél, hogy a robot helyesen ismerje fel a beszélgetőpartnert, akár a személyi igazolvány alapján.


Források és további olvasmányok a témában:

https://machinelearningmastery.com/types-of-learning-in-machine-learning/

https://towardsdatascience.com/what-are-the-types-of-machine-learning-e2b9e5d1756f