Пролог: машиналық оқытудың мысалы. Машиналық оқытудың ингредиенттері. Модельдер: машиналық оқытудың нәтижесі

               Қазақстан Республикасы білім және ғылым министрлігі

Әл-Фараби атындағы Қазақ Ұлттық Университеті

[pic 1][pic 2]

Факультеті: Ақпараттық технологиялар факультеті

Кафедрасы: Ақпараттық жүйелер

СӨЖ

Такырыбы: Пролог: машиналық оқытудың мысалы. Машиналық оқытудың ингредиенттері. Модельдер: машиналық оқытудың нәтижесі

Орындаған: Андрашева Б.Х.

                                                        Тексерген: Омаров Б.С.

Алматы-2020 жыл

Машиналық оқыту дегеніміз не?

Машиналық оқыту (Engl. Machine learning, ML) — бұл жасанды интеллект әдістерінің классы. Оның сипаттамасы мәселені тікелей шешу емес, көптеген ұқсас мәселелерге шешім қолдану процесінде жаттығу болып табылады. Мұндай әдістерді құру үшін математикалық статистика, сандық әдістер, оңтайландыру әдістері, ықтималдық теориясы, графтар теориясы, сандық түрде мәліметтермен жұмыс істеудің әртүрлі әдістері қолданылады. Машиналық оқыту күнделікті біздің өмірімізде көптеген қолданыстарға ие болуда. Оның қолданылуының кеңдігіне байланысты IT технологияда маңызды орын алады. Қазіргі кезде машиналық оқыту әдістеріне негізделген кейбір қосымшалар жақсы жұмыс істейді.

Машиналық оқыту жасанды интеллекттің бір саласы болып саналады. Оның негізгі идеясы компьютер алдын-ала жазылған алгоритмді қолданумен ғана шектеліп қоймай, мәселені өздігімен шешуді үйрену. Кез келген жұмыс машиналық оқыту технологиясын шартты түрде қол жетімділікке байланысты үш деңгейдің біреуіне тағайындалуы мүмкін. Бірінші деңгей — бұл Google немесе IBM деңгейіндегі әртүрлі технологиялық алыптар үшін қол жетімді болған кезде. Екінші деңгей — белгілі бір білімі бар студент оны қолдана алатын кезде. Үшінші деңгей — бұл тіпті ата-әжелер оны басқара алатын кез. Қазір машиналық оқыту екінші және үшінші деңгейлердің түйіскен жерінде, осы технологияның көмегімен әлемнің өзгеру қарқыны күн сайын артып келеді.

Жұмыс істеу принципі

Машиналық оқыту тапсырмаларының көпшілігін “бақыланатын оқытуға” (supervised learning) және “бақыланбайтын оқытуға” (unsupervised learning) бөлуге болады. «Бақыланатын» түсінігінде адамның мәліметтерді өңдеуге араласуы деп түсініледі. Адам машиналық оқытуға араласқан кезде бізде белгілі бір болжамалы ақпараттар бар. Ал адамсыз оқу кезінде бізде тек анықталатын мәліметтер болады. 

[pic 3]Машиналық оқыту модельдерін іргелі сегментациялау

1. Бақыланатын оқыту. Мысалы, бізде Алматы қаласындағы 10 000 пәтерлер туралы мәліметтер бар. Сондай-ақ, әр пәтердің ауданы, бөлмелер саны, орналасқан қабаты, автотұрақтың болуы, метро станциясына дейінгі қашықтық және басқалары белгілі. Сонымен қатар, әр пәтердің құны белгілі. Біздің міндетіміз — осы белгілер негізінде пәтердің құнын болжай алатын модель құру. Бұл бақыланатын оқытудың классикалық мысалы. Мұндай тапсырма регрессиялық есеп деп аталады. Басқа мысалдар: әр түрлі медициналық көрсеткіштерге негізделген ақпараттар бойынша науқаста қатерлі ісіктің бар-жоғын болжау. Немесе электрондық поштаның мәтініне сүйене отырып, бұл спамның ықтималдығын болжау және т.б. 

Тағы да, бақыланатын оқыту екі кіші санатқа бөлінеді: регрессия және жіктеу.

Сызықтық регрессияның міндеті - деректерге сәйкес келетін сызықты табу. Сызықтық регрессияның кеңеюіне бірнеше сызықтық регрессия (ең жақсы жазықтықты табу сияқты) және полиномдық регрессия (ең жақсы сәйкестік қисығын табу сияқты) жатады.

[pic 4] 

Сызықтық регрессия мысалы

[pic 5]Бақыланатын оқытудың мысалы

Шешім ағашы

[pic 6]

Шешімдер ағашы - бұл операцияларды зерттеу, стратегиялық жоспарлау және машиналық оқыту кезінде қолданылатын танымал модель. Жоғарыдағы әрбір төртбұрыш түйін деп аталады . Түйіндер қаншалықты көп болса, шешім ағашы дәлірек болады. Шешім қабылданатын соңғы түйіндер ағаштың жапырақтары деп аталады . Шешім ағаштары интуитивті және оларды құру оңай, бірақ нақты нәтижелер бермейді.