Apprendimento automatico - Categorie

L'apprendimento automatico è ampiamente classificato sotto i seguenti titoli:

L'apprendimento automatico si è evoluto da sinistra a destra come mostrato nel diagramma sopra.

  • Inizialmente, i ricercatori hanno iniziato con l'apprendimento supervisionato. Questo è il caso della previsione dei prezzi delle abitazioni discusso in precedenza.

  • Questo è stato seguito da un apprendimento senza supervisione, in cui la macchina viene fatta apprendere da sola senza alcuna supervisione.

  • Gli scienziati hanno inoltre scoperto che potrebbe essere una buona idea ricompensare la macchina quando svolge il lavoro nel modo previsto ed è arrivato il Reinforcement Learning.

  • Ben presto, i dati disponibili in questi giorni sono diventati così enormi che le tecniche convenzionali sviluppate finora non sono riuscite ad analizzare i big data e a fornirci le previsioni.

  • Così, è arrivato l'apprendimento profondo in cui il cervello umano viene simulato nelle reti neurali artificiali (ANN) create nei nostri computer binari.

  • La macchina ora impara da sola utilizzando l'elevata potenza di calcolo e le enormi risorse di memoria oggi disponibili.

  • Si è ora osservato che il Deep Learning ha risolto molti dei problemi precedentemente irrisolvibili.

  • La tecnica è ora ulteriormente avanzata dando incentivi alle reti di Deep Learning come premi e finalmente arriva il Deep Reinforcement Learning.

Analizziamo ora ciascuna di queste categorie in modo più dettagliato.

Apprendimento supervisionato

L'apprendimento supervisionato è analogo all'addestramento di un bambino a camminare. Terrete la mano del bambino, gli mostrerete come portare il piede in avanti, camminerete da soli per una dimostrazione e così via, finché il bambino non imparerà a camminare da solo.

Regressione

Allo stesso modo, nel caso dell'apprendimento supervisionato, fornisci esempi concreti noti al computer. Dici che per un dato valore della caratteristica x1 l'output è y1, per x2 è y2, per x3 è y3 e così via. Sulla base di questi dati, lasci che il computer calcoli una relazione empirica tra x e y.

Una volta che la macchina è stata addestrata in questo modo con un numero sufficiente di punti dati, ora chiederesti alla macchina di prevedere Y per un dato X. Supponendo che tu conosca il valore reale di Y per questo dato X, sarai in grado di dedurre se la previsione della macchina è corretta.

Pertanto, si verificherà se la macchina ha appreso utilizzando i dati di test noti. Una volta verificato che la macchina è in grado di eseguire le previsioni con un livello di precisione desiderato (ad esempio dall'80 al 90%), è possibile interrompere l'ulteriore addestramento della macchina.

Ora, puoi tranquillamente utilizzare la macchina per fare previsioni su punti dati sconosciuti o chiedere alla macchina di prevedere Y per un dato X per il quale non conosci il valore reale di Y. Questo addestramento rientra nella regressione di cui abbiamo parlato prima.

Classificazione

È inoltre possibile utilizzare tecniche di apprendimento automatico per problemi di classificazione. Nei problemi di classificazione, si classificano oggetti di natura simile in un unico gruppo. Ad esempio, in un set di 100 studenti diciamo, potresti raggrupparli in tre gruppi in base alla loro altezza: breve, medio e lungo. Misurando l'altezza di ogni studente, li inserirai in un gruppo appropriato.

Ora, quando arriva un nuovo studente, lo metti in un gruppo appropriato misurando la sua altezza. Seguendo i principi dell'addestramento alla regressione, addestrerai la macchina a classificare uno studente in base alla sua caratteristica: l'altezza. Quando la macchina apprende come sono formati i gruppi, sarà in grado di classificare correttamente qualsiasi nuovo studente sconosciuto. Ancora una volta, usereste i dati del test per verificare che la macchina abbia appreso la vostra tecnica di classificazione prima di mettere in produzione il modello sviluppato.

L'apprendimento supervisionato è il punto in cui l'IA ha davvero iniziato il suo viaggio. Questa tecnica è stata applicata con successo in diversi casi. Hai utilizzato questo modello mentre eseguivi il riconoscimento scritto a mano sulla tua macchina. Sono stati sviluppati diversi algoritmi per l'apprendimento supervisionato. Imparerai a conoscerli nei capitoli seguenti.

Apprendimento senza supervisione

Nell'apprendimento non supervisionato, non specifichiamo una variabile di destinazione per la macchina, piuttosto chiediamo alla macchina "Cosa puoi dirmi di X?". Più specificamente, potremmo porre domande come, dato un enorme set di dati X, "Quali sono i cinque migliori gruppi che possiamo ricavare da X?" o "Quali caratteristiche si verificano insieme più frequentemente in X?". Per arrivare alle risposte a tali domande, puoi capire che il numero di punti dati che la macchina richiederebbe per dedurre una strategia sarebbe molto grande. In caso di apprendimento supervisionato, la macchina può essere addestrata anche con poche migliaia di punti dati. Tuttavia, in caso di apprendimento non supervisionato, il numero di punti dati ragionevolmente accettato per l'apprendimento inizia in pochi milioni. In questi giorni, i dati sono generalmente disponibili in abbondanza. I dati idealmente richiedono una cura. Tuttavia, la quantità di dati che scorre continuamente in un social network, nella maggior parte dei casi la gestione dei dati è un compito impossibile.

La figura seguente mostra il confine tra i punti giallo e rosso come determinato dall'apprendimento automatico non supervisionato. Potete vedere chiaramente che la macchina sarebbe in grado di determinare la classe di ciascuno dei punti neri con una precisione abbastanza buona.

Fonte:

https://chrisjmccormick.files.wordpress.com/2013/08/approx_decision_boun dary.png

L'apprendimento senza supervisione ha mostrato un grande successo in molte moderne applicazioni di intelligenza artificiale, come il rilevamento dei volti, il rilevamento di oggetti e così via.

Insegnamento rafforzativo

Considera di addestrare un cane da compagnia, addestriamo il nostro animale domestico a portarci una palla. Lanciamo la palla a una certa distanza e chiediamo al cane di riportarcela. Ogni volta che il cane fa questo bene, ricompensiamo il cane. Lentamente, il cane impara che fare il lavoro giustamente gli dà una ricompensa e quindi il cane inizia a fare il lavoro nel modo giusto ogni volta in futuro. Esattamente, questo concetto è applicato nel tipo di apprendimento "Rinforzo". La tecnica è stata inizialmente sviluppata per le macchine per giocare. Alla macchina viene fornito un algoritmo per analizzare tutte le possibili mosse in ogni fase del gioco. La macchina può selezionare una delle mosse a caso. Se la mossa è giusta, la macchina viene premiata, altrimenti può essere penalizzata. Lentamente, la macchina inizierà a distinguere tra mosse giuste e sbagliate e dopo diverse iterazioni imparerà a risolvere il puzzle del gioco con una maggiore precisione. La precisione di vincere la partita migliorerebbe man mano che la macchina gioca sempre più partite.

L'intero processo può essere rappresentato nel diagramma seguente:

Questa tecnica di apprendimento automatico differisce dall'apprendimento supervisionato in quanto non è necessario fornire le coppie di input / output etichettate. L'obiettivo è trovare l'equilibrio tra l'esplorazione delle nuove soluzioni e lo sfruttamento delle soluzioni apprese.

Apprendimento approfondito

Il deep learning è un modello basato sulle reti neurali artificiali (ANN), più specificamente le reti neurali convoluzionali (CNN). Esistono diverse architetture utilizzate nell'apprendimento profondo come reti neurali profonde, reti di credenze profonde, reti neurali ricorrenti e reti neurali convoluzionali.

Queste reti sono state applicate con successo per risolvere i problemi di visione artificiale, riconoscimento vocale, elaborazione del linguaggio naturale, bioinformatica, progettazione di farmaci, analisi di immagini mediche e giochi. Ci sono molti altri campi in cui l'apprendimento profondo viene applicato in modo proattivo. L'apprendimento profondo richiede un'enorme potenza di elaborazione e dati enormi, che sono generalmente facilmente disponibili in questi giorni.

Parleremo più in dettaglio del deep learning nei prossimi capitoli.

Apprendimento per rinforzo profondo

Il Deep Reinforcement Learning (DRL) combina le tecniche di apprendimento sia profondo che di rinforzo. Gli algoritmi di apprendimento per rinforzo come Q-learning sono ora combinati con il deep learning per creare un potente modello DRL. La tecnica ha avuto un grande successo nei settori della robotica, dei videogiochi, della finanza e della sanità. Molti problemi precedentemente irrisolvibili vengono ora risolti creando modelli DRL. Ci sono molte ricerche in corso in questo settore e questo è molto attivamente perseguito dalle industrie.

Finora, hai una breve introduzione a vari modelli di apprendimento automatico, ora esploriamo leggermente più in profondità i vari algoritmi disponibili con questi modelli.