fbpx

რა არის მანქანური სწავლება?

რა არის მანქანური სწავლება?

დღესდღეობით ხელოვნურ ინტელექტზე ასე თუ ისე ყველას გვსმენია. ეს არის მეცნიერება, რომელიც ცდილობს გამონახოს ახალი გზები ჭკვიანი პროგრამების და მანქანების შესაქმნელად, რომლებსაც თავად შეეძლებათ პრობლემის გადასაჭრელი კრეატიული გზების გამონახვა. როგორც ყველა მეცნიერებას, ხელოვნურ ინტელექტსაც აქვს ქვეჯგუფები. მისი ქვეკატეგორიაა მანქანური სწავლება, ხოლო ეს უკანასკნელი მოიცავს deep learning-ს. ამაზე ცოტა მოგვიანებით ვისაუბრებთ. ახლა კი გავიგოთ რას წარმოადგენს და რაში გამოიყენება მანქანური სწავლება.

მანქანური სწავლება გულისხმობს სისტემებისთვის სწავლის და გაუმჯობესების ავტომატური უნარის მინიჭებას წარსული გამოცდილებიდან, ხელახალი დაპროგრამების გარეშე. იმისთვის, რომ მანქანებს „ასწავლო“ სამი კომპონენტი გჭირდება: მონაცემთა ნაკრებები, მახასიათებლები და ალგორითმები;

მონაცემთა ნაკრები: მანქანური სწავლების სისტემები მოიცავს მაგალითების სპეციალურ კოლექციას რასაც datasets ეძახიან. ეს მაგალითები მოიცავს რიცხვებს, სურათებს, ტექსტებს და ნებისმიერ სხვა მონაცემს. როგორც წესი, კარგი dataset-ის შექმნას დიდი დრო და ძალისხმევა სჭირდება.

მახასიათებლები: მახასიათებლები პროგრამის გასაღებია ამოცანის შესრულების პროცესში – ისინი უჩვენებენ სისტემას, თუ რაზე უნდა გაამახვილოს ყურადღება. როგორ უნდა შეარჩიო მახასიათებლები? მაგალითად, თუ გსურს ბინის ფასის პროგნოზირება, უნდა იცოდე, რომ სისტემას გაუჭირდება მისი სწორად შეფასება ბინის ზომის მიხედვით. სამაგიეროდ გაუმარტივდება კავშირის დადგენა ფასსა და მის ადგილმდებარეობას შორის.

ალგორითმი: ერთი და იმავე ამოცანის ამოხსნა სხვადასხვა ალგორითმებითაა შესაძლებელი. თუმცა თითოეულისთვის, შედეგების სიზუსტე და მისი მიღების სიჩქარე განსხვავდება. ზოგჯერ, უკეთესი შედეგის მისაღებად, რამდენიმე ალგორითმს ერთად იყენებენ.

ნებისმიერი software, რომელიც მანქანურ სწავლებას იყენებს უფრო დამოუკიდებელია, ვიდრე ხელახალი კოდირებული ინსტრუქციებით შექმნილი პროგრამები. სისტემა თავად სწავლობს პატერნების ამოცნობას და პროგნოზირებას. ხოლო თუ dataset ხარისხიანია და მახასიათებლებიც სწორად შეირჩა, მანქანური სწავლებით შექმნილ სისტემას ადამიანებზე უკეთ შეუძლია მოცემული ამოცანების ამოხსნა.

რომელ სფეროშია შესაძლებელი მანქანური სწავლების გამოყენება?

ჯანმრთელობის დაცვა: ექიმებისთვის პაციენტების სავარაუდო დიაგნოზის პროგნოზირება გადახედვისთვის;

სოციალური ნეთვორქინგი: გაცნობის საიტებზე უკეთესი „თავსებადობისთვის“ საერთო პარამეტრების პროგნოზირება;

ფინანსები: თაღლითური აქტივობის პროგნოზირება საკრედიტო ბარათებზე;

E-commerce: customer churn-ის პროგნოზირება;

ბიოლოგია: ისეთი გენური მუტაციების პატერნების პოვნა, რომლებიც შესაძლოა წარმოადგენდნენ სიმსივნეს;

მანქანური სწავლების ალგორითმები როგორც წესი სამ მთავარ ჯგუფად იყოფა:

დაკვირვების (Supervised) მეთოდი

დაკვირვების მეთოდი ნიშნავს, რომ პროგრამას სწავლების პროცესში ეხმარება „მასწავლებელი“. მაგალითად, კომპიუტერს უნდა ასწავლო როგორ გაანაწილოს წითელი, ლურჯი და მწვანე წინდები სხვადასხვა ყუთში.

პირველ რიგში სისტემას უნდა აჩვენო რომელი ნივთი რას წარმოადგენს. შემდეგ შეამოწმო სწორადაა თუ არა ათვისებული ფუნქცია. შეცდომების შემთხვევაში ისინი უნდა შეასწორო. ტრენინგის პროცესი გრძელდება მანამ, სანამ მოდელი მიაღწევს სიზუსტის სასურველ დონეს.

ამგვარი მეთოდი ორი ტიპის პრობლემას ჭრის:

რეგრესიის პრობლემა: თუ გსურთ უწყვეტი მნიშვნელობების (continuous values) პროგნოზირება, როგორიცაა მაგ., სახლის ფასი ან ამინდი, მაშინ რეგრესიას გამოიყენებთ. ამ ტიპის პრობლემას არ აქვს მნიშვნელობის სპეციფიკური შეზღუდვები და შეუძლია ჰქონდეს ნებისმიერი რიცხვითი მნიშნელობა.

კლასიფიკაციის პრობლემა: თუ ისეთი პრობლემა გაინტერესებს როგორიცაა მაგალითად, „მახინჯი ვარ თუ არა?“, მაშინ ეს კლასიფიკაციის პრობლემაა, რადგან პასუხი ორიდან ერთია: კი ან არა. ამას ორობითი (binary) კლასიფიკაციის პრობლემა ჰქვია.

ალგორითმის მაგალითებია: Naïve Bayes; Support Vector Machine; Decision Tree; K-Nearest Neighbours; Logistic Regression; Linear and Polynomial regressions;

თუ dataset ხარისხიანია და მახასიათებლებიც სწორად შეირჩა, მანქანური სწავლებით შექმნილ სისტემას ადამიანებზე უკეთ შეუძლია მოცემული ამოცანების ამოხსნა.

დაკვირვების გარეშე მეთოდი

სწავლის ამ მეთოდში შენ არ უზრუნველყოფ პროგრამას მახასიათებლებით. ის თავად ირჩევს საჭირო პატერნებს. წარმოიდგინე სარეცხით სავსე დიდი კალათა. კომპიუტერმა ცალკ-ცალკე კატეგორიებად უნდა გადაარჩიოს: წინდები, მაისურები და შარვლები. ამას ჰქვია კლასტერირების პროცესი. დაკვირვების გარეშე სწავლის მოდელი ხშირად გამოიყენება მსგავსების მიხედვით მონაცემების დასაყოფად.

ეს მეთოდი ასევე გამოიყენება თაღლითური ტრანზაქციების საპოვნელად, გაყიდვების და ფასდაკლებების პროგნოზირებისთვის მომხმარებლის ძებნის ისტორიიდან გამომდინარე. პროგრამისტმა არ იცის რის პოვნას ცდილობს, მაგრამ აქ აშკარად არის პატერნები, რომელთა აღმოჩენაც სისტემას შეუძლია.

დაკვირვების გარეშე სწავლების მეთოდი გამოიყენება ორი ტიპის სიტუაციებში:

კლასტერირების მეთოდი: სისტემა ჭრის პრობლემას მონაცემებში მსგავსებების მოძებნით. თუ არსებობს საერთო კლასტერი ან ჯგუფი, ალგორითმი მათ დააჯგუფებს რაიმე ფორმით. ამის მაგალითია მომხმარებლების დაჯგუფება ყიდვისას მათი ქცევის მიხედვით.

ასოციაციის პრობლემა: სისტემა ამ პრობლემის მოგვარებას ცდილობს სხვადასხვა ჯგუფების წესების და მნიშვნელობების გაგებით. ასოციაციის პრობლემის ცნობილი მაგალითია მომხმარებლის გადახდებს შორის კავშირის პოვნა. მაღაზიებს შესაძლოა აინტერესებდეთ რა ტიპის პროდუქცია იყიდება ერთად. ამ ინფორმაციით კი შემდეგ შეუძლიათ ერთად განათავსონ ისინი მარტივი წვდომისთვის. ასე მაგალითად, ერთმა მაღაზიამ აღმოაჩინა, რომ მომხმარებლები ხშირად ერთად ყიდულობდნენ ლუდს და პამპერსებს.

ალგორითმის მაგალითებია: K-means clustering; DBSCAN; Mean-Shift; Singular Value Decomposition (SVD); Principal Component Analysis (PCA); Latent Dirichlet allocation (LDA); Latent Semantic Analysis, FP-growth;

როგორ გადავლახოთ The Chasm

მარკეტერები, ტრადიციულად, მომხმარებლის რამდენიმე ტიპს გამოყოფენ, რომლებიც ბაზარზე პროდუქტის სიცოცხლის გარკვეულ ეტაპზე დომინირებენ. ნებისმიერმა წარმატებულმა კომპანიამ კი მომხმარებლის თითოეული ჯგუფის საჭიროებებისა და სურვილების დადგენა უნდა შეძლოს, რათა საკუთარი ღირებულების წინადადება (UVP) შესაბამისად შეადგინოს.


გაძლიერების
(reinforcement) მეთოდი

ეს ადამიანების სწავლის მსგავსია. ჩვენ არ გვჭირდება მუდმივი მეთვალყურეობა ეფექტურად სასწავლად ისე, როგორც ეს დაკვირვების მეთოდშია. ამის ნაცვლად პოზიტიური ან ნეგატიური საპასუხო სიგნალების მიღებითაც საკმაოდ ეფექტურად ვსწავლობთ. მაგალითად, ბავშვი წავლობს რომ არ უნდა შეეხოს ცხელ ტაფას მას შემდეგ, რაც ტკივილს იგრძნობს.

Reinforcement მეთოდი საშუალებას გაძლევს მოშორდე სტატისტიკური მონაცემების ტრენინგებს. ამის ნაცვლად კომპიუტერს შეუძლია ისწავლოს დინამიურ, ხმაურიან გარემოში როგორიცაა გეიმინგ ან რეალური სამყარო.

თამაშები გამოსადეგია სისტემისთვის რადგან ისინი მას სთავაზობენ იდეალურ, მონაცემებით მდიდარ გარემოს. ქულები კი, როგორც ზემოთ ვახსენე, პოზიტიური ან ნაგეტიური სიგნალია ჯილდოს მიღებაზე ორიენტირებული ქცევის მისაღებად.

Reinforcement სწავლების მეთოდის მაგალითებია:

კომპიუტერის ვარჯიში მისთვის ჭადრაკის სასწავლებლად

მისთვის Super Mario-ს თამაშის სწავლება

თვითმართვადი მანქანები

სწავლების ამ სამ მეთოდთან ერთად ზოგჯერ გამოყოფენ მეოთხესაც. ეს არის Semi-supervised სწავლების მეთოდი. აქ შესაყვანი მონაცემები დაყოფილია კატეგორიზებულ და არაკატეგორიზებულ მაგალითებად. პროგრამისტს განსაზღვრული აქვს სასურველი შედეგი, თუმცა მოდელმა თავად უნდა იპოვოს პატერნები მონაცემების სტრუქტურირებისთვის და პროგნოზების გასაკეთებლად.

მანქანური სწავლება მრავალ სხვადასხვა სფეროში გამოიყენება. მისი ერთ-ერთი ყველაზე ცნობილი მაგალითია Facebook-ის News Feed. აქ მანქანური სწავლება თითოეული მომხმარებლის Feed-ის პერსონალიზებისთვის გამოიყენება. მაგალითად, თუ მომხმარებელი ხშირად წყვეტს სქროლვას კონკრეტული მეგობრის პოსტის სანახავად ან წასაკითხად, News Feed დაიწყებს მისთვის ამ მეგობრის პოსტების უფრო ხშირად ჩვენებას. ხოლო თუ ეს მომხმარებელი ამ მეგობრის პოსტების დალაიქებას ან კითხვას შეწყვეტს, მონაცემებში ესეც შესაბამისად აისახება და News Feed შესაბამისად შეიცვლება.

Share this post