[PYTHON] Einführung in das maschinelle Lernen

Ab diesem Zeitpunkt senden wir Ihnen einen Vortragsinhalt.

Einführung in das maschinelle Lernen

Was ist künstliche Intelligenz und maschinelles Lernen?

Künstliche Intelligenz: Laut Yutaka Matsuo von der Artificial Intelligence Society "Künstlich hergestellte, menschenähnliche Intelligenz oder die Technologie, die sie ausmacht"

Die Details variieren von Experte zu Experte, definieren jedoch fast den gleichen Inhalt.

Maschinelles Lernen: Analyse spezifischer Daten → Lernen → Beurteilung → Vorhersage Es ist eine Methode, die einen Algorithmus verwendet, der dies tut

Wie in der folgenden Abbildung gezeigt, ist Deep Learning ein Teil der Klassifizierung der künstlichen Intelligenz und detaillierter.

Praktisches Beispiel für künstliche Intelligenz

• Automatisches Autofahren
• Lichter, die sich automatisch einschalten, wenn Sie den Raum betreten

Grundsätzlich funktioniert es halbautomatisch als Reaktion auf menschliche Befehle.

Künstliche Intelligenz und tiefes Lernen

Deep Learning: Eine Art maschinelles Lernen, das das Gehirn eines lebenden Organismus nachahmt. Dies ist eine Technologie, die ein neuronales Netzwerk verwendet.

Durch sofortiges Extrahieren von Elementen wie Rot, Groß und Hell aus dem Bild Es ist möglich, eine Verarbeitung weit über den Menschen hinaus zu realisieren.

Warum zieht es Aufmerksamkeit auf sich: Die Deep-Learning-Technologie wurde 2012 entwickelt und war bisher höher als beim Menschen. Die Fehlerrate der Bildanalyse wurde dramatisch verbessert. Jenseits des Menschen im Jahr 2015 Weil es dazu kam.

Gründe für die Aufmerksamkeit für maschinelles Lernen

Mit einer neuen Technologie namens maschinelles Lernen Analyse großer Mengen komplexer Daten mit Geschwindigkeiten, die weit über denen des Menschen liegen Dies liegt daran, dass es möglich geworden ist, die herkömmlichen Kosten und die Zeit zu reduzieren.

In den letzten Jahren hat sich die Verarbeitungsgeschwindigkeit von Computern verbessert,

Durch Lesen von Mustern aus einer großen Datenmenge ist es möglich, die erforderlichen Daten zu erfassen.

Maschinelles Lernen ist eines der Forschungsthemen der "künstlichen Intelligenz", die die gleiche Intelligenz wie der Mensch hat. In einer Vielzahl von Bereichen wie Image, Sprache, Marketing, natürliche Sprache, medizinische Versorgung usw. Es zieht die Aufmerksamkeit auf sich, weil es eine Technologie ist, die genutzt werden kann.

Was ist maschinelles Lernen?

Eine einfache Erklärung für "maschinelles Lernen" ist "iterativ aus Daten lernen und die darin verborgenen Muster finden". Lernen Sie (erstellen Sie eine Datenbank) Elemente und Muster wie Quadrate, Kugeln und Schattierungen und verwenden Sie diese Lerninhalte Wir werden die Antwort erkennen.

Damit ein Computer beispielsweise einen Apfel erkennen kann, muss er aus einer großen Anzahl von Apfelfotos ein gemeinsames Muster erhalten.

Und es gibt drei Hauptmethoden des maschinellen Lernens, um maschinelles Lernen zu realisieren.

• Überwachtes Lernen
• Unbeaufsichtigtes Lernen
• Reinforcement Learning

Symbolerdungsproblem

Auch wenn Sie das Muster kennen, dass "Äpfel rot sind und einen Radius von ca. 5 cm haben" Es identifiziert eine 5 cm große rote Kugel falsch als Apfel. Auf diese Weise besteht das Problem darin, dass Zeichen (Symbole) nicht der Realität entsprechen können.

Methoden des maschinellen Lernens

Mit einem Lehrer lernen

"Teached Learning" ist eine der typischen Methoden des maschinellen Lernens. In diesem Fall bezieht sich "Lehrer" auf das "korrekte Etikett, das den Daten beigefügt ist".

Der Mechanismus ist nach dem Lernen mit "Lerndaten" und dem Geben einer Antwort unter Verwendung einer Methode, die als "Algorithmus für maschinelles Lernen" bezeichnet wird. Schauen Sie sich die richtige Antwort an, das "richtige Antwortetikett", und stimmen Sie mit den Antworten überein.

Die Daten, in denen "Lerndaten" und "korrektes Antwortetikett" kombiniert werden, werden als "beschriftete Lerndaten (Lehrerdaten)" bezeichnet.

Das "richtige Etikett" ist das Antwortetikett für die Daten. "5" wird als korrektes Antwortetikett an die Bilddaten der handgeschriebenen Zeichen von Daten ① angehängt. Und Daten ② sind die Bilddaten eines vagen Pferdes, und "Pferd" ist das richtige Antwortetikett.

Die Technologie zum Erkennen von Bildern auf diese Weise wird als "Bilderkennung" bezeichnet und ist eine Spezialität des tiefen Lernens.

Andererseits ist Daten ③ kein Bild, sondern Text, und das richtige Antwortetikett ist auch der Text "Natsume Soseki". Diese Technik wird als "Verarbeitung natürlicher Sprache" bezeichnet. Beim Erlernen der Verarbeitung natürlicher Sprache muss für jede Sprache ein Datensatz erstellt werden.

Der Lernfluss mit einem Lehrer ist wie folgt.

1, Geben Sie mehrere Lehrerdaten in den Computer ein und lernen Sie das Mustermodell der Daten 2, Geben Sie weitere Lehrerdaten in das trainierte Modell ein und überprüfen Sie die Ausgabe. 3, Vorhersagen, wie neue Daten aus dem trainierten Modell klassifiziert werden Die Basis des überwachten Lernens ist es, unterscheiden zu können.

Klassifizierungsproblem

Daten (1) bis (3), die schließlich die Kategorie vorhersagen

Rückgabeproblem

Ein Problem, das numerische Werte wie Miete basierend auf quantitativen Daten wie Daten ④ vorhersagt, wird als "Rückgabeproblem" bezeichnet.

Lernen ohne Lehrer

Während es beim überwachten Lernen einen Lehrer gibt, der das richtige Antwortetikett nennt Es gibt keinen Lehrer für unbeaufsichtigtes Lernen. Beim unbeaufsichtigten Lernen findet der Computer selbst Ähnlichkeiten und Regelmäßigkeiten aus den gegebenen Daten. Lerne das Modell.

Daher gibt es im Fall von unbeaufsichtigtem Lernen keine richtigen oder falschen Antworten.

Sie können sehen, dass sich an den Punkten in der Abbildung drei Gruppen befinden. Damit der Computer diese drei Gruppen erkennt Wir verwenden eine Technik namens Clustering, bei der es sich um unbeaufsichtigtes Lernen handelt. Clustering ermöglicht die Gruppierung von Daten.

Unüberwachtes Lernen wird verwendet, um das Gesetz der Daten abzuleiten und zu gruppieren. In der tatsächlichen Analyse werden häufig mehrere Methoden in Kombination verwendet, wie unten gezeigt.

Clustering

Ein Hauptmerkmal ist, dass Daten basierend auf dem Ähnlichkeitsgrad zwischen den Eingabedaten gruppiert werden können.

Hauptkomponentenanalyse

Die Hauptkomponentenanalyse ist eine Technik, mit der eine Vielzahl von Daten zusammengefasst (Dimensionen reduziert) werden. Dies hat den Vorteil, dass Trends und Merkmale von Daten leichter zu verstehen sind.

Assoziationsanalyse

Es ist eine Methode, um die Datenregeln herauszufinden, z. B. "Daten, die für ein Muster gelten, gelten auch für das andere Muster". Die Assoziationsanalyse wird für Empfehlungen wie "Personen, die dieses Produkt sehen, kaufen dieses Produkt" verwendet, die Sie in Online-Shops sehen können.

Auf diese Weise wird unbeaufsichtigtes Lernen verwendet, um die Datenregeln abzuleiten und zu gruppieren. In der tatsächlichen Analyse werden häufig mehrere Methoden in Kombination verwendet.

Lernen stärken

Intensiviertes Lernen ist eine Methode zur Gewinnmaximierung und ein autonomes maschinelles Lernen, für das keine korrekten Beschriftungen oder großen Datenmengen erforderlich sind. In letzter Zeit wird es oft mit tiefem Lernen wie Wettbewerbsprogrammen wie Spielen kombiniert. Es wird für Steuerprogramme von Laufrobotern verwendet.

Die folgenden Schlüsselwörter werden im erweiterten Lernen angezeigt.

• Agent
• Umgebung
• Aktion
• Belohnung

Um zu erklären, erwirbt und beobachtet ein Agent (handelndes Subjekt) beim Bestärkungslernen eine bestimmte Umgebung und ergreift Maßnahmen. Und wir werden den Wert der Belohnung (des Ergebnisses) maximieren, die durch die Veränderung der Umgebung aufgrund der Aktion erzielt wird. Agenten lernen autonom, indem sie Entscheidungen durch Ausprobieren wiederholen, um höherwertige Belohnungen zu erhalten.

Lernen und entwickeln Sie als Legende bessere Ergebnisse in Brettspielen wie Go.