8-tema: mashinada oqitiw turlari hám klassifikatsiyasi reje

8-2 Tema: MASHINALARNI ÓQISH USULLARI VA REGULIRIZATSIYALASH

Reje

1. 
   Mashinalarni óqish usullari va regulirizatsiyalash
   

Eger siz mashinaǵa neni úyretiwshi ekenińizdi bilseńiz, bul usıl maqul túsetuǵın bolıp tabıladı. Siz kompyuterdi úlken oqıw maǵlıwmatlar bazası menen tanıstırıwıńız hám kutilgan nátiyjelerge eriwguningizcha parametrlerdi ózgertiwińiz múmkin. Keyin kompyuter ele dus kelmegen benchmark maǵlıwmatları nátiyjesin boljaw arqalı mashina úyrengen zatların jaqsılay alasız.

Kóbinese basqarılatuǵın tálim klassifikaciyalaw hám boljaw wazıypaları ushın isletiledi. Ótken finanslıq iskerlik tuwrısındaǵı maǵlıwmatlarǵa tıykarlanıp, fizikalıq shaxslar hám shólkemlerdiń finanslıq qawip-xaterin anıqlaw ushın basqarılatuǵın tálimnen paydalanıw múmkin; aldınǵı sırtqı kórinislerdi esapqa alǵan halda, satıp alıw minez-qulqların jaqsı shama qılıw múmkin.
Qadaǵalaw etilmegen úyreniw usılı.
Qadaǵalaw etilmegen úyreniwde mashina maǵlıwmatlar bazasın tekseredi hám hár qıylı ózgeriwshiler ortasındaǵı jasırın korrelyatsiyalarni anıqlaydı. Bul usıl járdeminde maǵlıwmatlardı tek olardıń statistikalıq qásiyetlerine qaray klasterlerge gruppalaw múmkin.
Qadaǵalaw etilmegen tálimnen jaqsı paydalanıw bul jazıwlardı itimallıq menen birlestiriw ushın isletiletuǵın klaster algoritmı. Maǵlıwmatlar elementleri ortasındaǵı munasábetler anıqlanadı hám sol munasábetler tiykarında fizikalıq yamasa virtual dunyadaǵı adamlar hám shólkemler ortasındaǵı munasábetler anıqlanadı.
Bul parametr, mısalı, klientlerdiń ulıwma suwretin jaratıw ushın, mısalı, túrli dereklerden yamasa hár qıylı biznes bólimlerinen alınǵan maǵlıwmatlardı birlestiriwge mútáj bolǵan kompaniyalar ushın paydalı bolıp tabıladı.
Qadaǵalaw etilmegen úyreniw, sonıń menen birge, olardıń social tarmaqlar daǵı xabarları, elektron pochta xabarları hám basqa jazıwları tiykarında adamlardıń sezimiy jaǵdayın anıqlaw ushın bayanatlardı analiz qılıw ushın isletiliwi múmkin. Búgingi kúnde, ásirese finanslıq xızmet kórsetiwshi kompaniyalarda, qadaǵalawsız úyreniw klientler zárúriyatın qandırıw ushın barǵan sayın kóbirek paydalanılıp atır. Yarım qadaǵalaw astında úyreniw usılı.
Bul oqıtıwshı menen hám oqıtıwshız úyreniw gibridi bolıp tabıladı. Maǵlıwmatlardıń kishi bólegin belgilep, oqıtıwshı mashinaǵa qalǵanlardı qanday klaster etiwin túsiniwge múmkinshilik beredi.
Bul usıl basqalardı eliklewge urınıslar menen jalataylıqtı anıqlaw ushın isletiliwi múmkin. Ápiwayı iskerlik sharayatında jalataylıqtı anomaliya dep klassifikaciyalaw múmkin. Bunday anormalliklarni tán alatuǵın modellerdi jaratıw ushın oqıtıwshılardıń bólimlerin oqıtıw texnikasınan paydalanıw múmkin. Bul sistemalar kóbinese onlayn operatsiyalarda jalataylıqqa urınıslardı anıqlaw ushın isletiledi.
Oqıtıwshılardı bólekan oqıtıw, sonıń menen birge, iri kárxanalar ushın tán bolǵan bólekan etiketlangan maǵlıwmatlardıń tayın jıynaqları ámeldegi bolǵan jaǵdaylarda da qollanılıwı múmkin. Mısalı, Amazon AI algoritmların jarlıqlı hám jarlıqsız maǵlıwmatlardıń kombinatsiyası boyınsha oqıtıw arqalı cifrlı járdemshi Alexa-dıń tábiy tildi túsiniwin jaqsıladi. Bul Alexa juwaplarınıń anıqlıǵın asırdı.
Kúsheytiwdi úyreniw usılı.
Kúsheytiwdi úyreniwde mashina átirap -ortalıq menen óz-ara baylanısda bolıwına ruxsat beriledi (mısalı, jıynaw sızıǵınan nuqsanlı ónimlerdi sebetke taslaw ) hám wazıypanı tuwrı atqarayotganda " sıylıqlanadi". Sıylıqlardı esaplawdı avtomatlastırıw arqalı siz mashinanı óz-ózinen úyreniwge múmkinshilik beriwińiz múmkin.
Usaqlap satıw sawda dúkanlarında zatlardı saralawdı kúsheytiwdi úyreniw usıllarınan biri. Birpara usaqlap satıw sawda kárxanaları kiyim-keshek, ayaq kiyim hám aksessuarlar ushın robotlarni saralaw sistemaların sınap kóriwip atır. Robotlar, Reinforcing Learning hám Deep Learning-den paydalanıp, ob'ektti ustap turıw qanshellilik qıyınlıǵın hám eń jaqsı ustaw ne ekenligin anıqlaydilar.
Bul usıldıń ózgeriwi, tereń bekkemlewdi úyreniw, qadaǵalaw astında hám qadaǵalawsız oqıw múmkinshilikleri etarli bolmaǵan jaǵdaylarda avtonom qarar qabıllaw ushın júdá sáykes keledi.
Tereń úyreniw usılı.
Tereń úyreniw oqıtıwshız yamasa bekkemlewsiz ámelge asırılıwı múmkin. Tereń úyreniw adamlardı úyreniw principlerıni bólekan eliklew etedi - maǵlıwmatlar sistemasınıń qásiyetlerin barǵan sayın tolıqlaw jetilistiriw ushın neyron tarmaqlarınan paydalanıw.
Tereń neyron tarmaqları, atap aytqanda, náshebent elementlardı qıdırıwda úlken kólem degi maǵlıwmatlardı tekseriwdi tezlestiriw ushın isletiledi. Bunday neyron tarmaqlar qısqa waqıt Ishinde ko'plegen súwretlerdi qayta islewge hám model oxir-aqıbet eslab qalatuǵın ko'birek ayrıqshalıqlardı shıǵarıwǵa ılayıq.
Bul usıl jalataylıqqa qarsı gúresiwde de keń qollanıladı, sebebi ol avtomatlastırıw arqalı teńib alıw anıqlıǵın asıradı.
Remontlaw hám profilaktika jumısların orınlawda tereń úyreniw avtomobilsozlik salasında qollanılıwı múmkin.
Kuyida regressiya ushın programmanı kurib utamiz:
def generate_wave_set(n_support=1000, n_train=25, std=0.3):
data = {}
# выберем некоторое количество точек из промежутка от 0 до 2*pi
data['support'] = np.linspace(0, 2*np.pi, num=n_support)
# для каждой посчитаем значение sin(x) + 1
# это будет ground truth
data['values'] = np.sin(data['support']) + 1
# из support посемплируем некоторое количество точек с возвратом, это будут признаки
data['x_train'] = np.sort(np.random.choice(data['support'], size=n_train, replace=True))
# опять посчитаем sin(x) + 1 и добавим шум, получим целевую переменную
data['y_train'] = np.sin(data['x_train']) + 1 + np.random.normal(0, std, size=data['x_train'].shape[0])
return data


data = generate_wave_set(1000, 250)



А теперь реализуем алгоритм обучения, используя магию NumPy:
# добавим колонку единиц к единственному столбцу признаков
X = np.array([np.ones(data['x_train'].shape[0]), data['x_train']]).T
# перепишем, полученную выше формулу, используя numpy
# шаг обучения - в этом шаге мы ищем лучшую гипотезу h
w = np.dot(np.dot(np.linalg.inv(np.dot(X.T, X)), X.T), data['y_train'])
# шаг применения: посчитаем прогноз
y_hat = np.dot(w, X.T)