Bevezetés a gépi tanulásba 2010. február 16.. Mesterséges Intelligencia „A számítógépes tudományok egy ága, amely az intelligens viselkedés automatizálásával.

Az előadások a következő témára: "Bevezetés a gépi tanulásba 2010. február 16.. Mesterséges Intelligencia „A számítógépes tudományok egy ága, amely az intelligens viselkedés automatizálásával."— Előadás másolata:

1 Bevezetés a gépi tanulásba 2010. február 16.

2 Mesterséges Intelligencia „A számítógépes tudományok egy ága, amely az intelligens viselkedés automatizálásával foglalkozik” (Luger 1993) Annak tanulmányozása, hogy hogyan lehet a számítógéppel olyan dolgokat művelni amiben pillanatnyilag az emberek a jobbak” (Rich 1991)

3 Szabály alapú rendszerek vs. Gépi tanulás Szabályalapú rendszer: terület szakértője kézzel állít elő döntési szabályokat Gépi tanulás: a szakértő példákat mutat a gépnek ami azok alapján automatikusan állítja elő a döntési szabályokat (szerepek elválnak)

4 Szabály alapú rendszerek vs. Gépi tanulás Előnyei: –Magához a döntési rendszerekhez (szabályok megfogalmazásához) nem kell értenie a szakértőnek, általában olcsóbb –Könnyebben adaptálható Hátránya: –Komplex összefüggések megtanulásához nagyon sok példa lehet szükséges

5 Gépi tanulás Gépi tanulás = Statisztikai tanulás 1. generáció szabályalapú 2. generáció gépi tanulás 3. generáció hibrid? Ez intelligencia?

6 Osztályozási feladat Adott egyedek egy halmaza és azok osztályba tartozási függvénye (tanító halmaz), találjuk meg a mintázatot/szabályosságokat ami alapján korábban nem látott egyedeket be tudjuk sorolni az adott osztályokba.

7 Gépi tanulás Legfontosabb részfeladatok: egyed-jellemzők megtalálása megfelelő tanuló módszer kiválasztása, hangolása kiértékelés és visszacsatolás

8 Jellemzők Cél minden olyan jellemző összegyűjtése ami segítheti a predikciót (manuális) Tartsuk szem előtt a problémát! Típusai: diszkrét: értékek véges halmaza, nincs rendezés folytonos

9 Tanuló algoritmus

10 Döntési fa osztályozó

11 Kiértékelés Gold standard címkékhez hasonlítjuk a gépi tanulási modell predikcióit Kiértékelési metrika: a jelölés jóságának leképezése egyetlen értékre. Feladatonként más és más! pl: „Hány spam-et jelöltünk spamnek”

12 Kiértékelés Tanító, teszt és kiértékelő adatbázisok 10-szeres keresztvalidáció Tanító Teszt

13 Visszacsatolás Visszacsatolás: elemzzük a hibáinkat! Lehetőségek: új jellemzők felvétele, paraméterek hangolása, stb.

14 A tanuló adatbázis mérete

15 Általánosítás és túltanulás Döntési fánál?