Вступ до Машинного Навчання

Наглядне навчання

Наглядне навчання – це процес, коли алгоритм навчається на основі даних із мітками. Це означає, що кожен вхідний приклад супроводжується відповідним правильним виходом, який призначено йому. Мета полягає у тому, щоб алгоритм навчився відображати функцію між входами та виходами.

Один із класичних прикладів – навчання алгоритму розпізнавати зображення котів і собак, де кожне зображення явно позначено як «кіт» або «собака». Поширені алгоритми включають лінійну регресію (прогнозування безперервних значень) та машини опорного вектора (класифікація даних).

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

Неконтрольоване навчання

У неконтрольованому навчанні алгоритм отримує дані без міток і зобов’язаний знаходити закономірності або структури самостійно. Під час тренування не надається «правильної відповіді».

Популярні методи включають кластеризацію (групування схожих даних) та зменшення розмірності (зменшення кількості змінних, зберігаючи при цьому важливу інформацію). K-means кластеризація є поширеним алгоритмом для цього.

Cluster Similarity = Distance(x_i, x_j)

Посилення за допомогою навчання з підкріпленням

Навчання з підкріпленням передбачає навчання агента приймати рішення в середовищі для максимізації винагороди. Агент навчається шляхом проб та помилок, отримуючи позитивні або негативні відгуки за свої дії.

Уявіть, як ви навчаєте робота ходити – він отримує позитивну винагороду, коли робить крок вперед, і негативну винагороду, коли падає. Алгоритми, такі як Q-learning, часто використовуються.

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

Оцінка моделі

Після навчання машинного моделювання важливо оцінити її продуктивність. Це передбачає використання показників, відповідних для завдання – точність, прецизійність, чутливість, F1-оцінка для класифікації; середньоквадратична помилка (MSE) або квадратний корінь із середньої квадратичної помилки (RMSE) для регресії.

Перенавчання виникає, коли модель надмірно добре засвоює навчальні дані та погано працює на нових, невидимих даних. Методи, такі як перехресне валідуювання, використовуються для пом’якшення цього ефекту.

Error = |Predicted Value - Actual Value|

Frequently asked questions

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте SPH Fluid і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.