Koneoppimisen Tyypit
Ohjattu oppiminen
Ohjattu oppiminen on koneoppimisen menetelmä, jossa malli opetetaan merkatulla opetusdatalla.
Suosituimmat ohjatun oppimisen tehtävät ovat:
-
Regressio (esimerkiksi talon hinnan ennustaminen): tähän tarvitaan opetusdata, jossa on muiden talojen hinnat merkittynä;
-
Luokittelu (esimerkiksi sähköpostin luokittelu roskapostiksi tai normaaliksi): tähän tarvitaan opetusdata, jossa viestit on merkitty roskapostiksi tai normaaliksi.
Ohjattu oppiminen
Ohjaamaton oppiminen on koneoppimistekniikka, jossa malli opetetaan merkitsemättömällä opetusdatalla.
Suosituimpia ohjaamattoman oppimisen tehtäviä ovat klusterointi, poikkeavuuksien tunnistus ja ulottuvuuksien vähentäminen.
Klusterointi
Prosessi, jossa samankaltaiset datapisteet ryhmitellään klustereihin. Datan merkitseminen ei ole tarpeen. Esimerkiksi opetusjoukko sähköposteja ilman spam/ham-merkintöjä soveltuu tähän.
Poikkeavuuksien tunnistus
Prosessi, jossa tunnistetaan poikkeamat normaalista datakäyttäytymisestä. Esimerkiksi petosten tunnistus luottokorttitapahtumissa. Petos/ei petos -merkintöjä ei tarvita. Mallille annetaan vain tapahtumatiedot, ja se arvioi, poikkeaako tapahtuma joukosta.
Ulottuvuuksien vähentäminen
Prosessi, jossa vähennetään ulottuvuuksien määrää säilyttäen mahdollisimman paljon olennaista tietoa. Myöskään tässä ei tarvita merkintöjä.
Vahvistusoppiminen
Vahvistusoppiminen eroaa merkittävästi kahdesta aiemmasta tyypistä. Sitä käytetään itseohjautuvien ajoneuvojen, robottien, pelien tekoälyn ja muiden sovellusten kouluttamiseen.
Vahvistusoppiminen on koneoppimistekniikka, jossa agentti (esim. robotti-imuri) oppii tekemällä päätöksiä ja saa palkkion, jos päätös on oikea, ja rangaistuksen, jos päätös on väärä.
Kuvittele koiran kouluttamista noutamaan pallo. Koira saa palkkion (esimerkiksi herkun tai kehun), kun se poimii pallon ja tuo sen lähemmäs omistajaa. Se saa rangaistuksen (esimerkiksi herkun pidättäminen tai pettynyt äänensävy), jos se juoksee väärään suuntaan tai harhautuu. Lisäksi se saa suuren palkkion, kun se onnistuneesti noutaa pallon ja toimittaa sen omistajalle.
1. Jotta ML-malli voidaan kouluttaa valvotun oppimisen tehtävään, harjoitusaineiston tulee sisältää kohde (olla merkitty). Onko tämä oikein?
2. Jotta ML-malli voidaan kouluttaa valvomattoman oppimisen tehtävään, harjoitusaineiston ei tarvitse sisältää kohdetta (olla merkitty). Onko tämä oikein?
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Awesome!
Completion rate improved to 3.13Koneoppimisen Tyypit
Pyyhkäise näyttääksesi valikon
Ohjattu oppiminen
Ohjattu oppiminen on koneoppimisen menetelmä, jossa malli opetetaan merkatulla opetusdatalla.
Suosituimmat ohjatun oppimisen tehtävät ovat:
-
Regressio (esimerkiksi talon hinnan ennustaminen): tähän tarvitaan opetusdata, jossa on muiden talojen hinnat merkittynä;
-
Luokittelu (esimerkiksi sähköpostin luokittelu roskapostiksi tai normaaliksi): tähän tarvitaan opetusdata, jossa viestit on merkitty roskapostiksi tai normaaliksi.
Ohjattu oppiminen
Ohjaamaton oppiminen on koneoppimistekniikka, jossa malli opetetaan merkitsemättömällä opetusdatalla.
Suosituimpia ohjaamattoman oppimisen tehtäviä ovat klusterointi, poikkeavuuksien tunnistus ja ulottuvuuksien vähentäminen.
Klusterointi
Prosessi, jossa samankaltaiset datapisteet ryhmitellään klustereihin. Datan merkitseminen ei ole tarpeen. Esimerkiksi opetusjoukko sähköposteja ilman spam/ham-merkintöjä soveltuu tähän.
Poikkeavuuksien tunnistus
Prosessi, jossa tunnistetaan poikkeamat normaalista datakäyttäytymisestä. Esimerkiksi petosten tunnistus luottokorttitapahtumissa. Petos/ei petos -merkintöjä ei tarvita. Mallille annetaan vain tapahtumatiedot, ja se arvioi, poikkeaako tapahtuma joukosta.
Ulottuvuuksien vähentäminen
Prosessi, jossa vähennetään ulottuvuuksien määrää säilyttäen mahdollisimman paljon olennaista tietoa. Myöskään tässä ei tarvita merkintöjä.
Vahvistusoppiminen
Vahvistusoppiminen eroaa merkittävästi kahdesta aiemmasta tyypistä. Sitä käytetään itseohjautuvien ajoneuvojen, robottien, pelien tekoälyn ja muiden sovellusten kouluttamiseen.
Vahvistusoppiminen on koneoppimistekniikka, jossa agentti (esim. robotti-imuri) oppii tekemällä päätöksiä ja saa palkkion, jos päätös on oikea, ja rangaistuksen, jos päätös on väärä.
Kuvittele koiran kouluttamista noutamaan pallo. Koira saa palkkion (esimerkiksi herkun tai kehun), kun se poimii pallon ja tuo sen lähemmäs omistajaa. Se saa rangaistuksen (esimerkiksi herkun pidättäminen tai pettynyt äänensävy), jos se juoksee väärään suuntaan tai harhautuu. Lisäksi se saa suuren palkkion, kun se onnistuneesti noutaa pallon ja toimittaa sen omistajalle.
1. Jotta ML-malli voidaan kouluttaa valvotun oppimisen tehtävään, harjoitusaineiston tulee sisältää kohde (olla merkitty). Onko tämä oikein?
2. Jotta ML-malli voidaan kouluttaa valvomattoman oppimisen tehtävään, harjoitusaineiston ei tarvitse sisältää kohdetta (olla merkitty). Onko tämä oikein?
Kiitos palautteestasi!
