მანქანური სწავლება

მანქანური სწავლება (ინგლ. Machine Learning, შემოკლებით ML) არის კომპიუტერული პროგრამის უნარი ავტომატურად განვითარდეს არსებულ გამოცდილებაზე დაყრდნობით. ის განიხილება, როგორც ხელოვნური ინტელექტის ქვეჯგუფი. მანქანური სწავლების ალგორითმები ადგენენ მაგალითის საფუძველზე შექმნილ მოდელს, რომელიც ცნობილია როგორც "ტრენინგის მონაცემები", იმისთვის, რომ მოახდინონ პროგნოზირება ან მიიღონ გადაწყვეტილებები უშუალოდ ამ საკითხზე დაპროგრამების გარეშე. მანქანური სწავლების ალგორითმები გამოიყენება პროგრამირების მრავალ განხრაში, როგორიცაა ელ. ფოსტის გაფილტვრა და კომპიუტერიული ხედვა, სადაც, საჭირო დავალებების შესასრულებლად, რთული ან შეუძლებელი ხდება ჩვეულებრივი ალგორითმების შემუშავება და გამოყენება.

მანქანური სწავლების ქვეჯგუფი მჭიდრო კავშირშია გამოთვლით სტატისტიკასთან, რომელიც ფოკუსირებულია კომპიუტერის გამოყენებით პროგნოზების გაკეთებაზე; მაგრამ მანქანური სწავლება ყოველთვის არ არის სტატისტიკური სწავლება. მათემატიკური ოპტიმიზაცია აწვდის მეთოდებს, თეორიასა და აპლიკაციის დომეინებს მანქანური სწავლების სფეროს. მონაცემთა მოპოვება წარმოადგენს სფეროს, რომელიც ყურადღებას ამახვილებს მონაცემთა საძიებო ანალიზზე, ზედამხედველობის გარეშე სწავლის გზით. ბიზნესის პრობლემების გადასაჭრელად, მანქანულ სწავლებას ასევე უწოდებენ პროგნოზირების ანალიზს.

მანქანური სწავლების მიდგომები[რედაქტირება | წყაროს რედაქტირება]

მანქანური სწავლების მიდგომები, როგორც წესი, იყოფა სამ ძირითად კატეგორიად, რაც დამოკიდებულია სასწავლო სისტემისთვის ხელმისაწვდომი ”სიგნალის” ან ”უკუკავშირის” ხასიათზე:

მეთვალყურეობის ქვეშ სწავლა - გულისხმობს რომ კომპიუტერს აქვს დასამუშავებელი მონაცემები და მათი წინასწარ განსაზღვრული შედეგები (რაც „მასწავლებლის“ მიერ აქვს მიწოდებული). სწავლების ამ მეთოდის მიზანია ის, რომ კომპიუტერმა შეიმეცნოს ის ძირითადი წესი, რითაც არსებული მონაცემები მუშავდება. ოპტიმალური ფუნქცია საშუალებას მისცემს ალგორითმს სწორად განსაზღვროს გამომავალი მონაცემები. ამბობენ, რომ ალგორითმმა, რომელმაც დროთა განმავლობაში თავის შედეგების გაუნჯობესება მოახერხა ან პროგნოზების სიზუსტე დახვეწა, ისწავლა ამ დავალების შესრულება.

მეთვალყურეობის გარეშე სწავლა - ეს არის მანქანური სწავლების ის სახეობა, რომელიც, ადამიანის მინიმალური მეთვალყურეობით, ეძებს ადრე დაუდგენელ შაბლონებს მონაცემთა ნაკრებში. მეთვალყურეობის ქვეშ სწავლებისგან განსხვავებით, რომელიც ჩვეულებრივ იყენებს ადამიანის მიერ განსაზღვრულ მონაცემებს, მეთვალყურეობის გარეშე სწავლება, ასევე ცნობილა თვითორგანიზების სახელით, სავარაუდო მოცულობის მონაცემებზე მოდელირებოს საშუალებას იძლევა. მეთვალყურეობის გარეშე სწავლების ალგორითმები, უკუკავშირზე რეაგირების ნაცვლად, განსაზღვრავენ მონაცემებში არსებულ საერთო მახასიათებლებს და რეაგირებენ მონაცემების თითოეულ ახალ ნაწილში ამგვარი მახასიათებლების არსებობის ან არარსებობის საფუძველზე.

განმამტკიცებელი სწავლება - კომპიუტერული პროგრამა ურთიერთქმედებს დინამიურ გარემოსთან, რომელშიც მან უნდა შეასრულოს გარკვეული ოპერაცია (მაგალითად, ავტომობილის მართვა ან მოწინააღმდეგის წინააღმდეგ თამაში). მანქანური სწავლების დროს, გარემო, როგორც წესი, წარმოდგენილია, როგორც მარკოვის გადაწყვეტილების პროცესი. პრობლემის სივრცეში ნავიგაციისას, პროგრამას მიეწოდება უკუკავშირი, რაც პროგრამას განვითარებაში ეხმარება. ეს სფერო შესწავლილია ბევრ სხვადასხვა დისციპლინაში, როგორიცაა: თამაშების თეორია, კონტროლის თეორია, ოპერაციების კვლევა, ინფორმაციის თეორია, სიმულაციაზე დაფუძნებული ოპტიმიზაცია, მრავალ აგენტური სისტემები, სტატისტიკა და გენეტიკური ალგორითმები. უნდა აღინიშნოს, რომ ამ სწავლების მრავალი ალგორითმი იყენებს დინამიური დაპროგრამების ტექნიკას. განმამტკიცებელი სწავლების ალგორითმები გამოიყენება ავტონომიურ სატრანსპორტო საშუალებებში ან ადამიანის მეტოქის წინააღმდეგ თამაშის სწავლისას.

უნდა აღინიშნოს, რომ, ამ სამი კატეგორიის გარდა, შემუშავებულია სხვა მიდგომებიც და ზოგჯერ ერთი მანქანური სწავლების სისტემისთვის ერთზე მეტ მანქანური სწავლების მიდგომას იყენებენ. მაგალითად, თემის მოდელირება, განზომილების შემცირება ან მეტა სწავლება.

ისტორია[რედაქტირება | წყაროს რედაქტირება]

ტერმინი მანქანური სწავლება 1959 წელს გამოიყენა ამერიკელმა IBMer - მა ართურ სამუელმა. იგი იყო პიონერი კომპიუტერული თამაშებისა და ხელოვნური ინტელექტის სფეროში. 1960-იანი წლების მანქანური სწავლების კვლევის წარმომადგენლობითი წიგნი იყო ნილსონის წიგნი სასწავლო მანქანების შესახებ, რომელიც ძირითადად ეხებოდა მანქანულ სწავლებას ნიმუშების კლასიფიკაციისთვის. ნიმუშების ამოცნობასთან დაკავშირებული ინტერესი გაგრძელდა 1970-იან წლებშიც. 1981 წელს მომზადდა მოხსენება სწავლების სტრატეგიების გამოყენების შესახებ, რათა ნერვულ ქსელს ესწავლა კომპიუტერული ტერმინალიდან 40 სიმბოლოს (26 ასო, 10 ციფრი და 4 სპეციალური სიმბოლო) ამოცნობა. თანამედროვე მანქანურ სწავლებას ორი მიზანი აქვს, ერთია მონაცემთა შემუშავება, დამუშავებული მოდელების საფუძველზე, მეორე მიზანი კი ამ მოდელების საფუძველზე სამომავლო შედეგების პროგნოზირებაა. მაგალითად, მანქანური სწავლების ალგორითმმა ბირჟაზე ვაჭრობისთვის შეიძლება ტრეიდერს აცნობოს მომავალი პოტენციური პროგნოზების შესახებ.

რესურსები ინტერნეტში[რედაქტირება | წყაროს რედაქტირება]