Lobe dasturi haqida
Lobe-da mashinani o'rganish g'oyalarini hayotga tatbiq etish uchun kerak bo'lgan hamma narsa mavjud. Unga oʻrganmoqchi boʻlgan narsalarimizning misollarini koʻrsatamiz va u avtomatik ravishda ilovamizga yuborilishi mumkin boʻlgan maxsus mashinani oʻrganish modelini oʻrgatadi.
Lobe avtomatik ravishda loyihamiz uchun mos mashinani o'rganish arxitekturasini tanlaydi.
Lobe mashinani o'rganish jarayonini uchta oson bosqichga soddalashtiradi. Tasvirlarimizni to'playmiz va belgilaymiz. Modelimizni o'rgatamiz va natijalarimizni ko’rishimiz mumkin. Keyin modelimizni tekshirib, kamchiliklarni to’g’irlab so’ngida eksport qilamiz.
Tasvirlarni belgilash.
Veb-kamera yordamida portlashlarni to'playmiz yoki kompyuterimizdagi rasmlar papkasiga murojaat qilamiz . Keyin mashinani o'rganish ma'lumotlar to'plamini yaratish uchun rasmlarimizni belgilaymiz.
Mavzu: Mashinani o’qitish turlari. Yarim-nazoratli o’qitish.
REJA:
1. Mashinaviy o’qitish turlari.
2. Yarim-nazoratli o’qitish klasifikatsiyasi.
3.Yarim nazoratli o’qitishning ishlashi.
Mashinali o'qitish tufayli dasturchi barcha mumkin bo'lgan muammolarni hisobga olgan va barcha echimlarni o'z ichiga olgan ko'rsatmalar yozishi shart emas. Buning o'rniga, kompyuterga (yoki alohida dasturga) statistik ma'lumotlardan kompleks foydalanish orqali mustaqil ravishda echimlarni topish algoritmi yuklanadi, ulardan naqshlar olinadi va ular asosida bashorat qilinadi.
Ma'lumotlarni tahlil qilish asosida mashinalarni o'rganish texnologiyasi 1950 yilda, shashka o'yini uchun birinchi dasturlar ishlab chiqila boshlangandan boshlanadi. So'nggi o'n yilliklarda umumiy tamoyil o'zgarmadi. Ammo kompyuterlarning hisoblash qudratining portlovchi o'sishi tufayli ular yaratgan naqshlar va bashoratlar bir necha bor murakkablashdi va mashinada o'qitish yordamida echilishi mumkin bo'lgan muammolar va vazifalar doirasi kengaytirildi.
Mashinada o'qitish jarayonini boshlash uchun avval kompyuterga ma'lumotlar to'plamini (dastlabki ma'lumotlarning bir qismini) yuklab olish kerak, bu algoritm so'rovlarni qayta ishlashni o'rganadi. Masalan, itlar va mushuklarning fotosuratlari bo'lishi mumkin, ular allaqachon kimga tegishli ekanligini ko'rsatadigan yorliqlarga ega. O'quv jarayonidan so'ng dasturning o'zi it va mushuklarni yangi rasmlarda tegsiz taniy oladi. Prognozlar chiqarilgandan so'ng o'quv jarayoni davom etadi, biz dastur tomonidan qanchalik ko'p ma'lumotlarni tahlil qilsak, u kerakli rasmlarni shunchalik aniqroq taniydi.
Mashinali o'qitish orqali kompyuterlar nafaqat yuzlarni, balki landshaftlar, ob'ektlar, matn va raqamlarni fotosuratlar va chizmalarda ham tanib olishga o'rganadilar. Matn haqida gap ketganda, kompyuterda o'rganish ham muhim ahamiyatga ega: grammatikani tekshirish funktsiyasi endi har qanday matn muharririda va hattoki telefonlarda mavjud. Bundan tashqari, nafaqat so'zlarning imlosi, balki kontekst, ma'no soyalari va boshqa nozik lingvistik jihatlar ham hisobga olinadi. Bundan tashqari, allaqachon odamlarning aralashuvisiz (iqtisodiy va masalan, sport mavzusida) yangiliklar maqolalarini yozish uchun dasturiy ta'minot mavjud.
Mashinada o'qitish muammolari turlari
ML bilan hal qilingan barcha vazifalar quyidagi toifalardan biriga kiradi.
1) Regressiya vazifasi - har xil xususiyatlarga ega bo'lgan ob'ektlar namunasi asosida prognoz qilish. Chiqarilgan mahsulot haqiqiy songa (2, 35, 76.454 va boshqalar) to'g'ri kelishi kerak, masalan, kvartira narxi, olti oydan keyin xavfsizlik qiymati, do'konning keyingi oy uchun kutilayotgan daromadi, ko'r-ko'rona sinovlarda sharob sifati.
2) Tasniflashning vazifasi - bu xususiyatlar to'plamiga asoslangan kategorik javobni olishdir. Javoblarning cheklangan soniga ega (odatda "ha" yoki "yo'q" formatida): fotosuratda mushuk bormi, inson qiyofasi tasvirlanganmi yoki bemor saraton kasalligiga chalinganmi?
3) Klasterlash vazifasi - ma'lumotlarni guruhlarga taqsimlash: uyali aloqa operatorining barcha mijozlarini to'lov qobiliyati darajasiga bo'lish, kosmik ob'ektlarni u yoki bu toifaga (sayyora, yulduz, qora tuynuk va boshqalar) ajratish.
4) o'lchovni qisqartirish vazifasi, keyinchalik ularni vizualizatsiya qilish uchun qulay bo'lishi uchun (masalan, ma'lumotlarni siqish) ko'p sonli xususiyatlarni kichikroq (odatda 2-3) ga kamaytirishdir.
5) Anomaliyalarni aniqlashning vazifasi anomaliyalarni standart holatlardan ajratishdir. Bir qarashda, bu tasniflash vazifasiga to'g'ri keladi, ammo bitta muhim farq bor: anomaliyalar kamdan-kam uchraydigan hodisa bo'lib, bunday ob'ektlarni aniqlash uchun mashina o'rganish modelini o'rgatish mumkin bo'lgan o'qitish misollari yo yo'qolib qoladi, yoki shunchaki emas, shuning uchun tasniflash usullari bu erda ishlamaydi. ... Amalda bunday vazifa, masalan, bank kartalari bilan firibgarlikni aniqlashdir.
Yarim nazorat ostida o'rganish - bu Mashinani o'rganish algoritmining bir turi bo'lib, u nazorat ostidagi va nazoratsiz o'rganish algoritmlari o'rtasidagi oraliq asosni ifodalaydi. Ta'lim davrida yorliqli va etiketlanmagan ma'lumotlar to'plamidan foydalanadi.
Yarim nazorat ostida o'rganishni tushunishdan oldin, siz Mashinani o'rganish algoritmlarining asosiy toifalarini bilishingiz kerak. Mashina o'rganish uchta asosiy toifadan iborat: nazorat ostida o'rganish , nazoratsiz o'rganish va mustahkamlovchi o'rganish . Bundan tashqari, nazorat ostidagi va nazoratsiz o'rganish o'rtasidagi asosiy farq shundaki, nazorat ostidagi o'quv ma'lumotlar to'plami har bir kortej bilan bog'langan chiqish yorlig'i o'quv ma'lumotlaridan iborat va nazoratsiz ma'lumotlar to'plamlari bir xil emas. Yarim nazorat ostida o'qitish - bu nazorat qilinadigan va nazoratsiz mashinalarni o'rganish o'rtasida joylashgan muhim toifadir.Yarim nazorat ostida o'qitish nazorat ostidagi va nazoratsiz ta'lim o'rtasidagi o'rta zamin bo'lib, bir nechta yorliqlardan iborat ma'lumotlarga asoslangan bo'lsa-da, u asosan yorliqsiz ma'lumotlardan iborat. Yorliqlar qimmat bo'lgani uchun, lekin korporativ maqsadlarda bir nechta teg bo'lishi mumkin.
Nazorat ostidagi ta'limning asosiy kamchiligi shundaki, u ML mutaxassislari yoki ma'lumotlar olimlari tomonidan qo'lda yorliqlashni talab qiladi va uni qayta ishlash uchun yuqori xarajatlar talab etiladi. Keyingi nazoratsiz ta'lim ham uning qo'llanilishi uchun cheklangan spektrga ega. Nazorat ostidagi ta'lim va nazoratsiz ta'lim algoritmlarining ushbu kamchiliklarini bartaraf etish uchun yarim nazorat ostida o'qitish tushunchasi kiritilgan.. Ushbu algoritmda o'quv ma'lumotlari etiketli va etiketlanmagan ma'lumotlarning kombinatsiyasi hisoblanadi. Biroq, etiketli ma'lumotlar juda oz miqdorda mavjud bo'lsa-da, ular juda ko'p miqdorda etiketlanmagan ma'lumotlardan iborat. Dastlab, shunga o'xshash ma'lumotlar nazoratsiz o'rganish algoritmi bilan birga klasterlanadi va keyinchalik etiketlanmagan ma'lumotlarni etiketli ma'lumotlarga yorliqlashga yordam beradi. Shuning uchun yorliq ma'lumotlari yorliqsiz ma'lumotlarga qaraganda nisbatan qimmatroq sotib olishdir.
Biz bu algoritmlarni misol bilan tasavvur qilishimiz mumkin. Nazorat ostidagi ta'lim - bu talabaning uyda va kollejda o'qituvchi nazorati ostida bo'lishi. Bundan tashqari, agar talaba o'qituvchining yordamisiz xuddi shu kontseptsiyani o'z-o'zidan tahlil qilsa, u nazoratsiz o'rganishga kiradi. Yarim nazorat ostida o'qitishda talaba kollejdagi o'qituvchi rahbarligida xuddi shu kontseptsiyani tahlil qilgandan so'ng o'zini qayta ko'rib chiqishi kerak.
|
