Strojové učení

Strojové 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. 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.
• 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. 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 ...

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. "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. 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.

Literatura

• KŘIVAN, Miloš. Umělé neuronové sítě. [s.l.]: Nakladatelství Oeconomica, Vysoká škola ekonomická v Praze 77 s. Dostupné online. ISBN 978-80-245-2420-7. 

Související články

• Data mining

Externí odkazy

• Obrázky, zvuky či videa k tématu strojové učení na Wikimedia Commons

Autoritní data	NKC: ph126143 GND: 4193754-5 LCCN: sh85079324 NDL: 001210569 NLI: 987007541156405171