Μηχανική μάθηση: Διαφορά μεταξύ των αναθεωρήσεων

Περιεχόμενο που διαγράφηκε Περιεχόμενο που προστέθηκε
Melmathiakh (συζήτηση | συνεισφορές)
Χωρίς σύνοψη επεξεργασίας
Melmathiakh (συζήτηση | συνεισφορές)
Χωρίς σύνοψη επεξεργασίας
Γραμμή 12:
 
* ''[[Επιτηρούμενη μάθηση]]'', ''επιβλεπόμενη μάθηση'' ή ''μάθηση με επίβλεψη'' (supervised learning), όπου ο αλγόριθμος κατασκευάζει μια [[συνάρτηση]] που απεικονίζει δεδομένες εισόδους σε γνωστές, επιθυμητές εξόδους (''σύνολο εκπαίδευσης''), με απώτερο στόχο τη γενίκευση της συνάρτησης αυτής και για εισόδους με άγνωστη έξοδο (''σύνολο ελέγχου'').
* ''[[Μη επιτηρούμενη μάθηση]]'', ''ανεπίβλεπτη μάθηση'' ή ''μάθηση χωρίς επίβλεψη'' (unsupervised learning),. όπουΣε οαυτήν αλγόριθμοςτην κατασκευάζεικατηγορία έναδεν μοντέλοπαρέχεται γιακάποια κάποιοεμπειρία, σύνολοαλλά εισόδωνο χωρίςαλγόριθμος αφήνεται να γνωρίζειανακαλύψει επιθυμητέςμοτίβα εξόδουςστα γιαδεδομένα εισόδου, τομέσω σύνολοκριτηρίων εκπαίδευσηςομοιότητας.
* ''[[Ενισχυτική μάθηση]]'' (reinforcement learning), όπου ο αλγόριθμος μαθαίνει μια στρατηγική ενεργειών για μια δεδομένη παρατήρηση, αλληλεπιδρώντας σε ένα δυναμικό περιβάλλον, μέσα στο οποίο πρέπει να επιτευχθεί ένας συγκεκριμένος στόχος. Όπως για παράδειγμα το να μάθει να παίζει ένα παιχνίδι εναντίον κάποιου αντιπάλου ή να οδηγεί ένα όχημα.
Μεταξύ της επιτηρούμενης και της μη επιτηρούμενης μάθησης υπάρχει και η [[ημι-επιτηρούμενη μάθηση]].
 
Μεταξύ άλλων θεμάτων μηχανικής μάθησης να αναφερθεί ότι η διαδικασία εκμάθησης μαθαίνει στην μηχανή (να αναπτύσσει) τις δικές του επαγωγικές μεθόδους, βασιζόμενο στην προηγούμενη εμπειρία. Χαρακτηριστικό παράδειγμα αποτελεί η εκμάθηση από ρομπότ, το οποίο συσσωρευτικά αποκτά ποικιλία δεξιοτήτων μέσω της αυτόνομης αυτοεξερεύνησης και της κοινωνικής αλληλεπίδρασης με ανθρώπους εκπαιδευτές και χρησιμοποιώντας μηχανισμούς καθοδήγησης, όπως η [[ενεργητική μάθηση]] και η [[μίμηση]].
Η ανάλυση των αλγόριθμων μηχανικής μάθησης είναι ένας κλάδος της [[στατιστική|στατιστικής]] που ονομάζεται [[θεωρία μάθησης]].
 
Μια άλλη συνηθισμένη κατηγοριοποίηση της μηχανικής μάθησης βασίζεται στο είδος του προβλήματος που μελετάται:
Γραμμή 21 ⟶ 22 :
* Σε προβλήματα [[παλινδρόμηση (στατιστική)|παλινδρόμησης]] (regression), εξετάζονται μοντέλα πρόβλεψης αριθμητικών [[ποσοτική μεταβλητή|ποσοτήτων]] που παίρνουν συνεχείς τιμές.
* Σε προβλήματα [[συσταδοποίηση|συσταδοποίησης]] (clustering) στόχος είναι η κατηγοριοποίηση των δεδομένων σε διαφορετικές λογικές ομάδες. Σε αντίθεση με την ταξινόμηση, τέτοιου τύπου προβλήματα ανήκουν στην μη επιτηρούμενη μηχανική μάθηση, καθώς οι ομάδες δεν είναι γνωστές εκ των προτέρων.
* Σε προβλήματα [[Μείωση διάστασης|μείωσης διάστασης]] (dimensionality reduction) τα δεδομένα απλοποιούνται και μεταφέρονται σε χώρο με λιγότερες διαστάσεις.. Ένα σχετικό πρόβλημα είναι το Topic modeling, όπου η μηχανή καλείται να βρει τα έγγραφα που καλύπτουν ομοια θέματα από ένα σύνολο εγγράφων γραμμένων σε φυσική γλώσσα.
 
==Παραπομπές==