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 se značně prolíná s oblastmi statistiky a dobývaní znalostí a má široké uplatnění. Jeho techniky se využívají např. v biomedicínské informatice (tzv. systémy pro podporu rozhodování), rozlišení nelegálního užití kreditních karet, rozpoznávání řeči a psaného textu, či mnohé další. Algoritmy však mohou být tendenční.

Základní rozdělení algoritmů učení

Algoritmy strojového učení lze podle způsobu učení rozdělit do následujících kategorií:

• učení s učitelem (en:supervised learning) Pro vstupní data je určen správný výstup (třída pro klasifikaci nebo hodnota pro regresi)
• učení bez učitele (en:unsupervised learning) Ke vstupním datům není známý výstup
• kombinace učení s učitelem a bez učitele (en:semi-supervised learning) Část vstupních dat je se známým výstupem, ale další data, typicky větší, jsou bez něj. Často se používá EM algoritmus (en:Expectation–maximization algorithm). Podobný přístup je transdukce
• zpětnovazebné učení (en:reinforcement learning), též učení posilováním

Podle způsobu zpracování lze algoritmy rozdělit na

• dávkové: Všechna data 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 vstupní data do dvou nebo několika tříd.
• Regrese odhaduje číselnou hodnotu výstupu podle vstupu
• Shlukování zařazuje objekty do skupin s podobnými vlastnostmi, typicky při 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 obrázkového algoritmu jako matice (mnoho konkrétních úloh) ...

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)
  • Množina rozhodovacích pravidel
  • Perceptron
  • Bayesovské sítě
  • Neuronové sítě

• Techniky pro kombinaci více modelů (en:Ensemble learning a en:Meta learning (computer science))
  • Bootstrap aggregating (resp. zkratka Bagging) (en:Bootstrap aggregating)
  • Boosting (en:Boosting)
  • Stacking

• Testování přesnosti modelu:
  • Křížová validace
  • Bootstrap_(statistika) (en:Bootstrapping (statistics))
  • viz také odstavec Odhady pravděpodobností správné klasifikace

Terminologie

• Data, body, případy, měření
• Atributy, rysy, proměnné, fíčury/features
• Druhy/typy atributů: binární, kategoriální (např. "A", "B", "AB" nebo "O" pro krevní skupiny, ordinální (např. "velký", "střední" nebo "malý"), celočíselné (např. počet výskytů slova v emailu) anebo reálné (např. měření krevního tlaku); strukturované, hierarchické

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)

Související články

Data mining