Mi a gépi tanulás, felügyelt és felügyelet nélküli tanulás

A gépi tanulás alapötlete

A gépi tanulás (machine learning) olyan megközelítés, amelyben egy rendszer adatokból tanulja meg egy feladat megoldását, ahelyett hogy egy programozó minden szabályt kézzel írna le. A hagyományos programozásban az ember adja meg a szabályokat, a gép pedig ezeket alkalmazza a bemenetre, és megadja a választ. A gépi tanulásban ez megfordul. A rendszer megkapja a bemenetet és a hozzá tartozó helyes választ is, és ebből maga vonja le a szabályt, amit modellnek nevezünk. A modell ezután új, korábban nem látott adaton is előrejelzést tud adni.

Ez a fordulat azoknál a feladatoknál hasznos, ahol a szabályok túl bonyolultak vagy megfoghatatlanok ahhoz, hogy kézzel leírjuk őket. Egy fénykép alapján nehéz szabályokba önteni, hogy mi számít kutyának és mi macskának, de sok címkézett példából a modell megtanulja a különbséget.

Jellemző, címke, modell

A gépi tanulás nyelvén a bemeneti adat egyes tulajdonságait jellemzőknek (feature) nevezzük. Egy lakás esetében jellemző lehet az alapterület, a szobák száma vagy a helyszín. Amit meg akarunk jósolni, az a címke (label), például a lakás ára. A tanítás során a modell azt keresi, hogyan függ össze a jellemzők és a címke. A kész modell egy függvény, amely új jellemzőkből becslést ad a címkére. A folyamat négy nagy lépésre bontható.

Felügyelt tanulás

A felügyelt tanulás (supervised learning) az a helyzet, amikor a tanító példák címkézettek, vagyis minden bemenethez ismerjük a helyes választ. A modell ezekből tanul, és az a cél, hogy a jellemzők és a címke közötti összefüggést úgy ragadja meg, hogy új adaton is jól működjön. A felügyelt tanulásnak két nagy családja van. A regresszió (regression) folytonos számot jósol, például egy lakás árát vagy a holnapi hőmérsékletet. Az osztályozás (classification) kategóriát ad, például hogy egy email levélszemét vagy sem. A kurzus következő leckéiben mindkettővel részletesen foglalkozunk.

Felügyelet nélküli tanulás

A felügyelet nélküli tanulás (unsupervised learning) esetén nincsenek címkék, csak nyers adat. A rendszernek magának kell struktúrát találnia benne. A leggyakoribb feladat a klaszterezés (clustering), amikor a hasonló adatpontokat csoportokba rendezzük, például az ügyfeleket vásárlási szokásaik alapján. Egy másik gyakori feladat a dimenziócsökkentés (dimensionality reduction), amely sok jellemzőt kevesebbre sűrít úgy, hogy a lényeges információ megmaradjon. A felügyelet nélküli tanulás akkor hasznos, amikor nincs kész címke, de fel akarjuk térképezni, milyen mintázatok rejlenek az adatban.

Melyik módszer melyik feladathoz

A kettő közötti választás azon múlik, van-e címkézett adatunk, és mit szeretnénk elérni. Ha ismerjük a helyes válaszokat és becslést vagy döntést akarunk adni új esetekre, felügyelt tanulás a válasz. Ha nincs címke, és a cél az adat feltérképezése vagy csoportosítása, felügyelet nélküli tanulás a megfelelő. A gyakorlatban a kettő gyakran kiegészíti egymást, például előbb felügyelet nélkül feltérképezzük a szegmenseket, majd felügyelt modellt tanítunk rájuk.