Učení s učitelem: Porovnání verzí

Interaktivně procházet historii

← Přejít na předchozí porovnání Přejít na další porovnání →

Smazaný obsah Přidaný obsah

VizuálníWikitext

V textu

Verze z 6. 3. 2023, 15:55

Přesměrování na:

Umělá neuronová síť#Učení sítě

@@ Řádek 1: / Řádek 1: @@
+#PŘESMĚRUJ [[Umělá neuronová síť#Učení sítě]]
-'''Učení s učitelem''' je třída metod [[strojové učení|strojového učení]]. [[Trénovací data]] se přitom sestávají ze vstupních objektů (vektorů jejich příznaků) a jejich požadovaných výstupních ohodnocení, tj. závisle proměnných (obecně také ve tvaru vektorů), tj. výroků učitele o objektu.
-Výstupem naučené funkce (jejíž příklady jsou obsaženy v trénovacích datech) pak mohou být spojité hodnoty (při [[regresní analýza|regresi]]) anebo binární hodnoty označující příslušnost vstupních objektů do daných tříd (při [[klasifikace (umělá inteligence)|klasifikaci]]). Naučená funkce pak dokáže odhadovat výstupní ohodnocení každého vstupního objektu (i neobsaženého v trénovacích datech) poté, co zpracuje trénovací příklady (tj. dvojice vstup a požadovaný výstup). Aby to dokázala, musí umět zobecnit (generalizovat) souvislost mezi vstupy a výstupy danou příklady obsaženými v trénovacích datech "smysluplným" způsobem.<ref>{{Citace monografie | příjmení = Gentleman | jméno = R. | příjmení2 = Carey | jméno2 = V. J. | titul = Supervised Machine Learning. Bioconductor Case Studies | vydavatel = Springer| místo = New York | rok = 2008| počet stran = 16 | isbn = 978-0-387-77239-4 | jazyk = en}}</ref> (Porovnejte s [[učení bez učitele|učením bez učitele]]).
-== Přeučení ==
-Přeučení je stav, kdy je systém příliš přizpůsoben množině trénovacích dat, ale nemá schopnost generalizace a selhává na validační množině dat. To se může stát např. při malém rozsahu trénovací množiny nebo pokud je systém příliš komplexní, např. příliš mnoho skrytých neuronů v [[Neuronová síť|neuronové síti]]. Řešením je zvětšení trénovací množiny, snížení složitosti systému nebo různé techniky regularizace, jako je zavedení náhodného šumu (což v zásadě odpovídá rozšíření trénovací množiny), zavedení omezení na parametry systému, které v důsledku snižuje složitost popisu naučené funkce, nebo předčasné ukončení učení (průběžné sledování chyby na validační množině a konec učení ve chvíli, kdy se chyba na této množině dostane do svého minima).
-== Užitá data ==
-Při učení se používají trénovací data, validační data či testovací data. Tato data mají být [[Disjunktní množiny|disjunktní]]. Pomocí trénovacích dat probíhá vlastní učení, podle chování na validačních datech se kontroluje přeučování a na testovacích datech se určuje úspěšnost učení na nových, neznámých datech.
-== Hebbovské učení ==
-[[Donald Hebb|Hebbův]] <ref name="Hebb 1949">{{Citace monografie|příjmení=Hebb|jméno=D.O.|titul=The Organization of Behavior|url=https://archive.org/details/organizationofbe0000hebb|vydavatel=Wiley & Sons|místo=New York|rok=1949|jazyk=en}}</ref> princip učení lze popsat jako metodu určování, jak měnit váhy mezi umělými neurony. Váha mezi dvěma neurony se zvyšuje, pokud se oba neurony aktivují současně, a snižuje, pokud se aktivují odděleně. Uzly, které mají tendenci být buď oba pozitivní, nebo oba negativní současně, mají silné pozitivní váhy, zatímco ty, které mají tendenci být opačné, mají silné negativní váhy. Hebbovské učení se užívá u asociativních pamětí, jako je [[Rekurentní lineární síť|rekurentní lineární]], [[Hopfieldova síť|Hopfieldova]] či [[Bidirektní síť|bidirektní]] síť.
-== Reference ==
-<references/>
-== Literatura ==
-* {{Citace monografie
- | příjmení1 = Křivan
- | jméno1 = Miloš
- | titul = Umělé neuronové sítě
- | url = https://www.intelligentsoftware.eu/upload/pdf/Scriptum.pdf
- | vydavatel = Nakladatelství Oeconomica, Vysoká škola ekonomická v Praze
- | počet_stran = 77
- | isbn = 978-80-245-2420-7
-}}
-{{Pahýl}}
-{{Autoritní data}}
-[[Kategorie:Strojové učení]]