Какие задачи решают различные типы МО?

Вступление

Добро пожаловать на вторую часть третьего урока моего курса! Сегодня мы чуть подробнее обсудим, с чем нам может помочь машинное обучение!

Обучение с учителем и его задачи

Во втором уроке мы узнали, что при обучении с учителем помимо признаков мы имеем и целевые значения, которые модель должна предсказать. Но какие задачи мы можем решить таким образом?

• ЗАДАЧА РЕГРЕССИИ - это задача, при решении которой наша цель - предсказать какое-то число. Регрессионные модели предсказывают числовые данные, например, вес животного.

• ЗАДАЧА КЛАССИФИКАЦИИ - это задача, при решении которой наша цель - предсказать категорию. Классификационные модели предсказывают категориальные данные, например, тип животного (кошка или собака)

Рассмотрим примеры

Задача предсказания цены домов в Калифорнии из второго урока - это как раз задача регрессии. Мы предсказываем число, а именно цену дома.

В качестве примера задачи классификации можно привести определение СПАМа в почте. У нас есть две категории: СПАМ и не СПАМ, которые модель и должна определять по содержанию письма.

Обучение без учителя и его задачи

При обучении без учителя мы имеем только признаки, но не имеем никакой целевой метки к ним. Но оно также выполняет свои задачи.

• ЗАДАЧА КЛАСТЕРИЗАЦИИ - иногда нам удобно сгруппировать большой объём данных на несколько групп, именно это и делают алгоритмы кластеризации. На основе сходства объектов они группируют элементы на некоторое количество групп (кластеров). (При этом в некоторых алгоритмах мы сами должны определять заранее число класстеров, а в некоторых число класстеров определяется уже при обучении)

• ЗАДАЧА ПОНИЖЕНИЯ РАЗМЕРНОСТИ - в машинном обучении есть одно важное понятие, связанное с признаками: это ПРОКЛЯТИЕ РАЗМЕРНОСТИ. Представьте, что все объекты (например, дома в Калифорнии) находтся во многомерном пространстве (да, это тяжело, но в одном из следующих уроках мы обсудим основы линейной алгебры, чтобы вам было проще и понятнее), в котором число измерений равно числу признаков каждого объекта. Из этого рождается следующая закономерность: чем больше признаков имеет наш объект, тем больше измерений имеет пространство наших объектов и тем более разреженным оно становится. (грубо говоря, тем на "больших расстояниях" друг от друга находятся наши объекты и тем меньше их "концентрация" в конечном объеме этого пространства) Поэтому нашей модели становится всё сложнее найти закономерности из-за того, что для такого количества измерений наших данных становтся недостаточно. Также из-за этого появляется проблема с памятью: чем больше признаков, тем больше места они занимают в памяти компьютера. Одним из способов борьбы с некоторыми проблемами высокой размерности являются алгоритмы понижения размерности, они пытаются достоверно описать объекты меньшим количеством признаков.

Заключение

И это всё ещё не весь третий урок. В третей части третьего урока мы обсудим обучение с подкреплением и изучем большее количество примеров. Спасибо за внимание!