Wprowadzenie do uczenia maszynowego

Nadzorowane uczenie

Nadzorowane uczenie polega na tym, że algorytm uczy się z danych etykietowanych. Oznacza to, że każdy przykład wejściowy ma przypisaną do niego odpowiednią wyjście. Cel polega na tym, aby algorytm nauczył się funkcji mapowania między wejściami a wyjściami.

Klasyczny przykład to trening algorytmu do rozpoznawania obrazów kotów i psów, gdzie każdy obraz jest jasno etykietowany jako 'kot' lub 'psem'. Popularne algorytmy obejmują regresję liniową (prognozowanie wartości ciągłych) i maszyny wektorowe wsparcia (klasyfikacja danych).

f(x) = y  (Mapping input x to output y)

Nieratunkowe uczenie

W nieratunkowym uczeniu algorytm dostarczany jest z danymi niewyróżnionymi i obciążony jest zadaniami znalezienia wzorów lub struktur samodzielnie. W trakcie treningu nie jest dostarczana żadna „prawidłowa odpowiedź”.

Popularne techniki obejmują grupowanie (grupowanie podobnych punktów danych) i zmniejszanie wymiarowości (zaburzanie liczby zmiennych, zachowując istotną informację). Algorytm k-means jest powszechnym algorytmem stosowanym w tej technice.

Cluster Similarity = Distance(x_i, x_j)

Nauczanie potwierdzające

Nauczanie potwierdzające polega na treningu agenta do podejmowania decyzji w środowisku, aby maksymalizować nagrodę. Agent uczy się poprzez prób i błędy, otrzymując dodatnią lub ujemną odpowiedź za swoje działania.

Pomyśl o nauczaniu robota chodzenie – otrzymuje on dodatnią nagrodę, gdy postąpi dalej, a ujemną, gdy upadnie. Algorytmy takie jak Q-learning są często stosowane.

Q(s,a) = R(s,a) + γ * max_a' Q(s', a') (Bellman Equation)

Evaluacja Modelu

Po treningu modelu maszynowego jest kluczowe ocenić jego wydajność. To obejmuje używanie odpowiednich metryk – dokładności, precyzji, czułości i F1-score dla klasfikacji; błędu kwadratowego średniego (MSE) lub pierwiastka z błędu kwadratowego średniego (RMSE) dla regresji.

Overfitting występuje, gdy model naucza się danych treningowych za dobrze i wykazuje słabe wyniki na nowych, nieobserwowanych danych. Techniki takie jak walidacja krzyżowa są używane do minimalizacji tego zjawiska.

Error = |Predicted Value - Actual Value|

Często zadawane pytania

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz SPH Fluid i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.