Cesko.wiki Strojové učení
Author
Albert FloresStrojové učení je podoblastí umělé inteligence, zabývající se algoritmy a technikami, které umožňují počítačovému systému 'učit se'. Učením v daném kontextu rozumíme takovou změnu vnitřního stavu systému, která zefektivní schopnost přizpůsobení se změnám okolního prostředí.
Strojové učení má široké uplatnění. Jeho techniky se využívají pro rozpoznávání a kompresi obrazů či akustických (např. +more rozpoznávání řeči) nebo elektrických (např. EKG, EEG) signálů, klasifikaci či segmentaci dat, předvídání vývoje časových řad (např. burzovních indexů), k rozpoznávání psaného textu či k filtrování spamu. V lékařství slouží k diagnostice onemocnění a v řízení pro podporu rozhodování.
Základní rozdělení algoritmů učení
Algoritmy strojového učení lze podle způsobu učení rozdělit do následujících kategorií: * Učení s učitelem („supervised learning“) - pro vstupní data je určen správný výstup (třída pro klasifikaci nebo hodnota pro regresi). * Učení bez učitele („unsupervised learning“) - ke vstupním datům není známý výstup. +more * Kombinace učení s učitelem a bez učitele („semi-supervised learning“) - část vstupních dat je se známým výstupem, ale další data, typicky větší, jsou bez něj. * Zpětnovazebné učení („reinforcement learning“), též učení posilováním.
Podle způsobu zpracování lze algoritmy rozdělit na: * dávkové: Všechna data se požadují před začátkem výpočtu. * inkrementální: Dokážou se "přiučit", tj. +more upravit model, pokud dostanou nová data, bez přepočítání celého modelu od začátku.
Základní druhy úloh
Klasifikace rozděluje data do dvou nebo několika tříd (učení s učitelem) * Regrese odhaduje číselné hodnoty výstupu podle vstupu (učení s učitelem) * Shlukování zařazuje objekty do skupin s podobnými vlastnostmi (učení bez učitele)
Další typy úloh jsou: * Ranking určuje pořadí datových bodů, výsledkem je částečné nebo úplné setřídění * Učení strukturovaných dat. Výstupní neboli hledaná struktura může být například sekvence, strom, graf, matice . +more Aplikace jsou např. učení syntaktických stromů ve zpracování přirozeného jazyka, zarovnání několika sekvencí proteinů v bioinformatice, převod řeči na textový řetězec, tj. na sekvenci znaků, hledání vhodné molekuly reprezentované jako graf v chemoinformatice, výstup zpracování obrazu jako matice atd .
Podoblasti strojového učení
Používané modely: ** Rozhodovací stromy ** Algoritmus k-nejbližších sousedů ** Podpůrné vektory, viz Support vector machines ** Lineární diskriminační analýza (:en:Linear discriminant analysis) ** Kvadratická diskriminační analýza (:en:Quadratic discriminant analysis) ** Neuronové sítě, učení s učitelem, učení bez učitele, hluboké učení ** Bayesovské sítě
* Techniky pro kombinaci více modelů (:en:Meta learning) ** Boosting ** Stacking ** Bootstrap (Bagging)
* Testování přesnosti modelu: ** Křížová validace ** Diskriminační analýza ** Bootstrap (Statistics)
Terminologie
Data, body, případy, měření * Atributy, rysy, proměnné, fíčury/features * Druhy/typy atributů: kategoriální (např. "A", "B", "AB" nebo "O" pro krevní skupiny), ordinální (např. +more "velký", "střední" nebo "malý"), strukturované, hierarchické, binární, celočíselné (např. počet výskytů slova v emailu) anebo reálné (např. měření krevního tlaku).
Software
RapidMiner, KNIME, Weka, ODM, Shogun Toolbox, Orange, Apache Mahout a Scikit-Learn jsou softwarové balíky, které obsahují různé algoritmy strojového učení.
Online: Microsoft Azure Machine Learning (Azure ML), TensorFlow (Google)
Hardware
Optimální hardwarová implementace provádění výpočtů umožňuje značně urychlit nalezení výsledku. Používají se různé způsoby:
* Tensor Processing Unit (TPU) od Google jsou specializované integrované obvody ve formě čipů implementovaných v zařízení TPU (An application-specific integrated circuit (ASIC)), který optimalizuje výpočetní výkon strojového učení.
* Graphics Processing Unit (GPU) je systém procesorů implementovaných na grafické kartě, původně určený především pro běh počítačových her, kladoucích velké nároky na výpočetní výkon. Na rozdíl od CPU majících k dispozici maximálně 8 nebo 16 výpočetních vláken, GPU jich může využívat až např. +more 2 048. Pro algoritmizaci učení se pak může užít tzv. CUDA platforma, umožňující programovat v jazicích C++ resp. Fortran, která umožní díky velkému počtu dostupných výpočetních vláken vysoký stupeň paralelizace výpočtu, čímž zvýší výpočetní výkon strojového učení.