Treść książki
Przejdź do opcji czytnikaPrzejdź do nawigacjiPrzejdź do informacjiPrzejdź do stopki
Wtymrozdziale,wprowadzającymdotematykiuczeniamaszynowegoisztucznejinteli-
gencji,przedstawimyjeszczedwakluczoweterminy,związanezmechanizmemuczeniasię
komputerów.Touczenienadzorowane,zwaneteżuczeniemznadzorcąlubznauczycielem
(ang.supervisedlearning),iuczenienienadzorowane(ang.unsupervisedlearning).
Uczenienadzorowane–najpopularniejszemodelewykorzystywanewdatascience,
czyliregresjaliniowairegresjalogistycznatoprzykładyuczenianadzorowanego.Wtym
typieuczeniamamydaneopisującecechę/wartość,którąjesteśmyzainteresowani(zdolność
kredytowa,predyspozycjedozachorowanianarakadanejosoby),orazzestawczynników/atry-
butów,któremogąbyćpomocnewprognozowaniuinteresującejnascechy(np.dladiagnozy
rakamogątobyćinformacjeowystępowaniurakawrodzinie,wiek,palenietytoniuitd.).
Modelwykorzystujeobatypydanych,czylicechę,któranasinteresuje,izestawatrybutów
doznalezieniazależnościmiędzycechąaatrybutami.Następniewyuczonymodelstosuje
siędoformułowaniaprognozwystąpieniatejcechy(ryzykozachorowanianaraka)uinnych
osób,dlaktórychmamydostępnytylkozestawatrybutów.
Uczenienienadzorowane–wuczeniunienadzorowanymniemamydanychopisujących
interesującąnascechęalboproblem,zktórymmamydoczynienia,niepoleganaprzewi-
dzeniuwystąpieniadanejcechy/wartości(zdolnościkredytowej,właściwejcenyproduktu,
prawdopodobieństwazachorowanianaraka).Możemynaprzykładbyćzainteresowani
pogrupowaniemklientówczyproduktówwedługpewnychcharakterystyk.Siećhandlowa
możebyćzainteresowanaokreśleniemproduktów,któresączęstokupowanewramach
tegosamegokoszyka.Firmye-commercemogąbyćzainteresowaneokreśleniemgrupy
(klastra)klientów,którzymająpodobneupodobania,abylepiejdopasowaćrekomendacje
idziałaniamarketingowe.Wminionychkilkulatachbardzopopularnesązastosowaniasieci
neuronowychdonauczeniakomputerówczynnościtypowychdlaludzi,gdziestosujesię
uczenienienadzorowanezewzmocnieniem(tzw.reinforcementlearning),czemupoświęcimy
oddzielnyrozdziałtejksiążki.
Różnicęmiędzyuczeniemnadzorowanyminienadzorowanymdobrzeintuicyjnieopisuje
sposób,wjakiucząsiędzieci.Naprzykładjeżelimamawyjaśnikilkuletniejcórce,żeogień
jestbardzogorącyinienależygodotykać,tomamyprzykładuczeniasięnadzorowanego,
znauczycielem.Jeżelidzieckosamosięoparzyipoczujeból,towówczasmamydoczynienia
zuczeniemnienadzorowanym.
Gdykierowcanieznającywszystkichprzepisówwkraju,przezktóryakuratprzejeżdża,
dostaniemandatzaprzekroczenieprędkości,wówczasdziałamechanizmnagródikar,któ-
ryjestkluczowywnajnowszychalgorytmachsztucznejinteligencji.Doskonały,azarazem
intuicyjnyprzykładtorównieżautonomicznesamochody.Niejestmożliwestworzeniemap
ibazdanychzewszystkimimożliwymisytuacjaminadrodze,programkomputerowy
musisamsięnauczyć,jakrozpoznaćpieszego,którynaglepojawisięnadrodze.
Człowiekuczysiębardzoszybko.Wystarczy,żekierowcaprzekraczającyprędkość
wkraju,przezktóryprzejeżdża,dostaniejedenmandat,ijuż(teoretycznie)nauczysięjeź-
dzićzgodniezprzepisami.Żebynauczyćkomputertegosamego,musiondostać10tysięcy
mandatów.Sceptycyuważają,żedopókinieporadzimysobieztymproblemem,stworzenie
uniwersalnejsuperinteligencjiniebędziemożliwe.Alepowstająjużnowemodele,które
znacznieograniczająliczbęprzykładówpotrzebnychdonauczeniamodelu.
Podstawowepojęcia
25