Paradigmele învățării automate (1)

În funcție de modul în care un algoritm este antrenat și pe baza disponibilității rezultatelor în timpul antrenamentului, paradigmele de învățare automată pot fi clasificate în zece categorii. Acestea includ: învățare supravegheată, învățare semi-supravegheată, învățare nesupravegheată, învățare prin consolidare, învățare evolutivă, învățare prin ansamblu, rețea neuronală artificială, învățare bazată pe instanțe, algoritmi de reducere a dimensionalității și învățare hibridă [4, 5, 6, 13,14,15 ,16 17]. Fiecare dintre aceste paradigme este explicată în sub-secțiunile următoare.

Învățare supravegheată

În cadrul învățării supravegheate, un set de exemple sau module de antrenament sunt furnizate cu rezultate corecte și, pe baza acestor seturi de antrenament, algoritmul de învățare trebuie să răspundă mai precis comparând rezultatul său cu cele care sunt date ca intrare. Învățarea supravegheată este cunoscută și sub denumirea de învățare prin exemple sau învățare din exemple. Următoarea figură 4 explică conceptul.

Fig. 4. Învățare supravegheată [4]

Învățarea supravegheată găsește aplicații în predicție pe baza datelor istorice. De exemplu: pentru a prezice specia Iris având în vedere un set de măsurători ale florilor sale sau un sistem de recunoaștere care determină dacă un obiect este o galaxie, un quasar sau o stea, având în vedere o imagine colorată a unui obiect printr-un telescop sau dacă ține un comerț electronic istoricul de navigare al unei persoane, recomandarea produselor de către site-urile de comerț electronic [4]. Sarcinile de învățare supravegheată pot fi clasificate în continuare ca sarcini de clasificare și sarcini de regresie. În cazul clasificării, etichetele de ieșire sunt discrete, în timp ce sunt continue în cazul regresiei.

Învățare nesupravegheată

Abordarea învățării nesupravegheate se referă la recunoașterea modelelor existente neidentificate din date pentru a deriva reguli din acestea. Această tehnică este adecvată într-o situație în care categoriile de date sunt necunoscute. Aici, datele de antrenament nu sunt etichetate. Învățarea nesupravegheată este privită ca o abordare bazată pe statistici pentru învățare și, prin urmare, se referă la problema găsirii structurii ascunse în datele neetichetate. Figura 5 explică conceptul.

Fig 5. Învățare nesupravegheată

Învățare prin consolidare

Învățarea prin consolidare este privită ca un tip intermediar de învățare, deoarece algoritmul este furnizat doar cu un răspuns care spune dacă rezultatul este corect sau nu. Algoritmul trebuie să exploreze și să excludă diverse posibilități pentru a obține rezultatul corect. Este considerată ca învățare cu o critică, deoarece algoritmul nu propune niciun fel de sugestii sau soluții la problemă.

Învățare evolutivă

Este inspirată de organismele biologice care se adaptează la mediul lor. Algoritmul înțelege comportamentul și se adaptează la intrări și exclude soluțiile puțin probabile. Se bazează pe ideea de potrivire pentru a propune cea mai bună soluție la problemă.

Învățare semi-supravegheată

Acești algoritmi oferă o tehnică în care se valorifică puterea ambelor – învățarea supravegheată și învățarea nesupravegheată. În cele două tipuri precedente, fie sunt furnizate etichete de ieșire pentru toate observațiile fie nu sunt furnizate etichete. Pot exista situații în care unele observații sunt furnizate cu etichete, dar majoritatea observațiilor sunt neetichetate din cauza costului ridicat al etichetării și a lipsei de expertiză umană calificată. În astfel de situații, algoritmii semi-supravegheați sunt cei mai potriviți pentru construirea de modele. Învățarea semi supravegheată poate fi utilizată cu probleme precum clasificarea, regresia și predicția [4, 13, 18].

Mai mult, poate fi clasificată ca modele generative, autoformare și SVM transductiv.

Referințe

• [4]    Sandhya N. dhage, Charanjeet Kaur Raina, “A review on Machine Learning Techniques”, March 16 Volume 4 Issue 3 , International Journal on Recent and Innovation Trends in Computing and Communication (IJRITCC), ISSN: 2321-8169, PP: 395 – 399
• [5]    AyonDey , “Machine Learning Algorithms: A Review”, (IJCSIT) International Journal of Computer Science
• [6]    A report by Royal Society, April 2017, “Machine learning: the power and promise of computers that learn by example “, ISBN: 978-1-78252-259-1.and Information Technologies, Vol. 7 (3) , 2016, 11741179
• [13]    Al-Jarrah OY, Yoo PD, Muhaidat S, Karagiannidis GK, Taha K. Efficient machine learning for big data: A review. Big Data Res. 2015; 2(3):87-93.
• [14]    A.Khan,B.Baharudin,Lan Hong Lee, “ A Review of Machine Learning Algorithms for Text Documents Classification”, Journal Of Advances in Information Technology, Vol. 1 , No. 1, Feb.2010.
• [15]    Zhou ZH. (2009) Ensemble Learning. In: Li S.Z., Jain A. (eds) Encyclopedia of Biometrics. Springer, Boston, MA
• [16]    Tom M. Mitchell , “Machine Learning “, WCB McGraw-Hill, 2013, ISBN-13:978-1-25-9096952, ISBN-10: 1-25-909695-5. I OP Conf. Series: Journal of Physics: Conf. Series 1142 (2018) 012012    doi:10.1088/1742-6596/1142/1/012012
• [17]    Tang W, Zhang T, Sazonov E. The application of machine learning in monitoring physical activity with shoe sensors. Cyber-Physical Systems: Integrated Computing and Engineering Design. 2013 Sep 26:187.
• [18]    Zhu X. Semi-supervised learning literature survey. Computer Science, University of Wisconsin-Madison. 2006;2(3):4.

Sursa: Jafar Alzubi et al 2018 J. Phys.: Conf. Ser. 1142 012012, licența CC BY 3.0. Traducere: Nicolae Sfetcu