Učení bez učitele: Porovnání verzí
Bez shrnutí editace |
nový úvod (z angl. Wiki) - snad srozumitelný a dostatečně obecný značky: revertováno editace z Vizuálního editoru |
||
Řádek 1: | Řádek 1: | ||
{{Neověřeno}} |
{{Neověřeno}} |
||
'''Učení bez učitele'''<ref>{{Citace periodika |
|||
'''Učení bez učitele''' ({{Vjazyce2|en|unsupervised learning}}) je třída metod [[strojové učení|strojového učení]]. Na rozdíl od [[učení s učitelem]] [[trénovací data]] nemají vstupní data provázaná s cílovými proměnnými (ohodnocením, závisle proměnnou...), tj. schází výrok učitele. Učení bez učitele si tedy lze představit jako kompresi vstupních dat, např. například snížení jejich dimense (v [[Analýza hlavních komponent|analýze hlavních komponent]]) nebo jejich redukci na diskrétní body (jako je tomu ve [[Shluková analýza|shlukové analýze]] kde vstupní data reprezentujeme označeními shluky), či jejich vyhlazení (odhad [[Distribuční funkce|distribučních funkcí]]).<ref>{{Citace monografie | příjmení = Gentleman | jméno = R. | příjmení2 = Carey | jméno2 = V. J. | titul = Unsupervised Machine Learning. Bioconductor Case Studies | vydavatel = Springer| místo = New York | rok = 2008| počet stran = 21 | isbn = 978-0-387-77239-4 | jazyk = en}}</ref> |
|||
| příjmení = Končinský |
|||
| jméno = Petr |
|||
| titul = Učení bez učitele |
|||
| jazyk = cs |
|||
| url = http://dspace.vutbr.cz/handle/11012/9728 |
|||
| datum přístupu = 2022-07-21 |
|||
}}</ref> je typ [[Algoritmus|algoritmu]], který se učí vzory z neoznačených dat. Doufá, že prostřednictvím nápodoby, která je důležitým způsobem učení u lidí, je stroj nucen vytvořit kompaktní vnitřní reprezentaci svého světa a z ní pak generovat nápaditý obsah. Na rozdíl od [[učení s učitelem]], kdy jsou data označena expertem, např. jako "míč" nebo "ryba", vykazují metody bez učitele samoorganizaci, která zachycuje vzory jako [[Hustota pravděpodobnosti|hustotu pravděpodobnosti]]<ref name="Hinton99a">{{cite book|first1=Geoffrey|last1=Hinton|first2=Terrence|last2=Sejnowski|title=Unsupervised Learning: Foundations of Neural Computation|publisher=MIT Press|year=1999|isbn=978-0262581684}}</ref> nebo kombinaci preferencí [[Umělá neuronová síť|neuronových]] rysů. Dalšími úrovněmi ve spektru učení s učitelem je [[zpětnovazební učení]], kdy je stroji jako vodítko poskytnuto pouze číselné skóre výkonu, a [[částečně řízené učení]], kdy je označkována menší část dat. |
|||
Dvěma široce používanými metodami v oblasti učení bez učitele jsou [[Umělá neuronová síť|neuronové sítě]] a pravděpodobnostní metody. |
|||
== Praktické aplikace == |
== Praktické aplikace == |
||
Řádek 14: | Řádek 23: | ||
== Reference == |
== Reference == |
||
<references/> |
{{Překlad|en|Unsupervised learning|1095476437}}<references/> |
||
== Externí odkazy == |
== Externí odkazy == |
Verze z 21. 7. 2022, 23:55
Učení bez učitele[1] je typ algoritmu, který se učí vzory z neoznačených dat. Doufá, že prostřednictvím nápodoby, která je důležitým způsobem učení u lidí, je stroj nucen vytvořit kompaktní vnitřní reprezentaci svého světa a z ní pak generovat nápaditý obsah. Na rozdíl od učení s učitelem, kdy jsou data označena expertem, např. jako "míč" nebo "ryba", vykazují metody bez učitele samoorganizaci, která zachycuje vzory jako hustotu pravděpodobnosti[2] nebo kombinaci preferencí neuronových rysů. Dalšími úrovněmi ve spektru učení s učitelem je zpětnovazební učení, kdy je stroji jako vodítko poskytnuto pouze číselné skóre výkonu, a částečně řízené učení, kdy je označkována menší část dat.
Dvěma široce používanými metodami v oblasti učení bez učitele jsou neuronové sítě a pravděpodobnostní metody.
Praktické aplikace
- klasifikaci: obchodník tak může rozdělit svoje zákazníky podle jejich podobnosti do tržních segmentů anebo archeolog může podle charakteristik nalezených střepů keramiky definovat různé kulturní okruhy, k nimž patřili lidé, kteří kdysi keramiku vyráběli
- hledání anomálií: netypické datové body mohou signalizovat poruchy nebo jiné situace, na které je potřeba se zaměřit, například při detekci podvodů ve finančních a telekomunikačních firmách
- odhad latentních proměnných: psycholog může z řady výsledků jednotlivých testů stanovit inteligenci zkoumané osoby, politolog může na základě dotazníkového šetření rekonstruovat základní dimenze politického systému v zemi
Typické algoritmy
- shluková analýza (hierarchické shlukování, k-means a jiné)
- metody identifikující struktury kovariančních vazeb (analýza hlavních komponent, faktorová analýza, strukturní modelování a další)
- některé typy neuronových sítí v oblasti hlubokého učení (automatické generování textů...)
- vyhlazování a odhadování hustot pravděpodobnosti (kernel density estimation)
Reference
V tomto článku byl použit překlad textu z článku Unsupervised learning na anglické Wikipedii.
- ↑ KONČINSKÝ, Petr. Učení bez učitele. dspace.vutbr.cz. Dostupné online [cit. 2022-07-21].
- ↑ HINTON, Geoffrey; SEJNOWSKI, Terrence. Unsupervised Learning: Foundations of Neural Computation. [s.l.]: MIT Press, 1999. ISBN 978-0262581684.
Externí odkazy
Obrázky, zvuky či videa k tématu učení bez učitele na Wikimedia Commons
- Umělé neuronové sítě – matematický popis