Jenis dan pelatihan pembelajaran mesin
| English | Bahasa Indonesia |
|---|---|
| machine learning/məˈʃiːn ˈlɜːnɪŋ/ | pembelajaran mesin |
| backpropagation/ˌbækprəpəˈɡeɪʃn/ | backpropagation |
| supervised learning/ˈsuːpəvaɪzd ˈlɜːnɪŋ/ | pembelajaran terawasi |
| classification/ˌklæsɪfɪˈkeɪʃn/ | klasifikasi |
| unsupervised learning/ʌnˈsuːpəvaɪzd ˈlɜːnɪŋ/ | pembelajaran tak terawasi |
| clusters/ˈklʌstəz/ | klaster |
| reinforcement learning/ˌriːɪnˈfɔːsmənt ˈlɜːnɪŋ/ | pembelajaran penguatan |
| agent/ˈeɪdʒənt/ | agen |
| reward/rɪˈwɔːd/ | reward |
| policy/ˈpɒlɪsi/ | kebijakan |
| gradient descent/ˈɡreɪdɪənt dɪˈsent/ | penurunan gradien |
| loss function/lɒs ˈfʌŋkʃn/ | fungsi kerugian |
| epoch/ˈiːpɒk/ | epoch |
Program yang mengajarkan dirinya sendiri bukaan yang belum pernah dimainkan manusia
- AlphaGo Zero diberikan aturan Go dan tidak ada lagi. Tidak ada permainan manusia, tidak ada buku pembukaan, tidak ada saran. Ia bermain melawan dirinya sendiri, dimulai dari langkah acak.
- Dalam tiga hari ia melampaui versi yang telah mengalahkan juara dunia. Sepanjang jalan, ia menemukan kembali teori pembukaan manusia selama berabad-abad, lalu membuang sebagian darinya karena dianggap lebih rendah.
- Ia belajar dari satu angka setelah setiap pertandingan: menang atau kalah. Itu adalah jenis pembelajaran yang sama sekali berbeda dari ditunjukkan jutaan foto yang diberi label.
- Pelajaran ini adalah tiga paradigma machine learning, data apa yang dibutuhkan masing-masing, dan bagaimana bobot jaringan sebenarnya diubah oleh backpropagation.
Pembelajaran terarah
- Pembelajaran terarah dilatih pada data yang memiliki label: foto bertanda "kucing" atau "anjing", email ditandai spam atau tidak, rumah dengan harga penjualannya.
- Model mempelajari pemetaan dari input ke label, lalu diberikan input yang belum pernah dilihat sebelumnya dan diminta untuk menghasilkan label tersebut.
- Ini terbagi menjadi klasifikasi, di mana outputnya adalah kategori, dan regresi, di mana outputnya adalah angka.
- Biayanya adalah label: seseorang harus memproduksinya, yang untuk satu juta gambar merupakan banyak sekali kerja manusia.
Contoh berlabel masuk, model keluar, lalu input tak berlabel
Pembelajaran terawasi menggunakan:
Pembelajaran terawasi dilatih pada contoh berlabel (mis. gambar bertanda kucing/anjing).
Pembelajaran tanpa pengawasan
- Pembelajaran tanpa pengawasan diberikan data dengan tanpa label dan diminta untuk menemukan struktur di dalamnya.
- Penggunaan paling umum adalah pengelompokan: pengelompokan ke dalam klaster item serupa, seperti pelanggan yang membeli hal serupa, tanpa ada yang memutuskan sebelumnya kelompok apa yang seharusnya terbentuk.
- Itulah kekuatan dan kelemahannya: dapat menemukan pengelompokan yang tidak disangka orang lain, dan tidak dapat memberi tahu Anda apa makna pengelompokan tersebut.
Pembelajaran tak terawasi digunakan untuk:
Tanpa label, pembelajaran tak terawasi menemukan pola/klaster dalam data.
Pembelajaran penguatan
- Pembelajaran penguatan memiliki agen yang bertindak di lingkungan. Setiap tindakan mengubah keadaan dan mengembalikan hadiah, yang mungkin nol untuk waktu yang lama.
- Agen mempelajari kebijakan, strategi untuk memilih tindakan, yang memaksimumkan total hadiahnya sepanjang waktu. Ia belajar melalui percobaan dan kesalahan, tanpa contoh berlabel sama sekali.
- Cocok untuk masalah yang berupa urutan keputusan di mana langkah yang tepat hanya terungkap oleh hasil akhir: permainan, kendali robot, mobil otonom. Itu persis kasus AlphaGo Zero.
Dalam pembelajaran penguatan, agen belajar dengan:
Agen mencoba tindakan, menerima hadiah, dan mempelajari kebijakan yang memaksimalkan hadiah jangka panjang.
Dalam pembelajaran penguatan, agen mempelajari ____ yang memaksimalkan total hadiahnya sepanjang waktu.
Ia belajar melalui percobaan dan kesalahan dari hadiah, tanpa contoh berlabel sama sekali, itulah sebabnya ia cocok untuk urutan keputusan.
Contoh terpecahkan: pilih paradigma
- Sepuluh ribu pemindaian medis, masing-masing diberi label oleh dokter sebagai menunjukkan tumor atau tidak, digunakan untuk melatih sistem agar menandai pemindaian baru. Terarah: data memiliki label dan tugasnya adalah mempelajari input ke label, khususnya klasifikasi.
- Sebuah toko ingin mengetahui apakah pelanggannya落入 alamiah, tanpa memutuskan kelompoknya terlebih dahulu. Tanpa pengawasan: tidak ada label, dan tugasnya adalah menemukan struktur, khususnya pengelompokan.
- Lengan robot harus belajar menempatkan komponen, dinilai hanya berdasarkan apakah setiap upaya berhasil. Penguatan: agen, urutan tindakan, dan hadiah bukan label.
- Sebutkan paradigmanya, lalu justifikasikan dari data: berlabel, tak berlabel, atau sinyal hadiah.
Lab jenis pembelajaran AI
Klasifikasikan contoh AI berdasarkan jenis pembelajaran atau perhatian yang terlibat.
Cocokkan setiap paradigma ML dengan datanya.
Terawasi = label; tak terawasi = tanpa label; penguatan = umpan balik hadiah.
Cocokkan setiap situasi dengan paradigma machine-learning yang dibutuhkan.
Label, tanpa label, atau hadiah. Data menentukan paradigma, bukan kesulitan tugas.
Pelatihan dengan propagasi balik
- Pelatihan berarti menyesuaikan bobot agar output jaringan sesuai dengan target. Metodenya adalah propagasi balik dengan penurunan gradien.
- Laju maju: masukkan input melalui jaringan dan dapatkan outputnya. Hitung kesalahan menggunakan fungsi kehilangan, yang mengukur seberapa jauh output dari target.
- Laju mundur: rambatkan kesalahan itu secara mundur melalui lapisan untuk menemukan gradien setiap bobot, yaitu berapa kontribusi bobot tersebut terhadap kesalahan.
- Pembaruan: ubah setiap bobot dengan langkah kecil berlawanan dengan gradiennya. Ukuran langkah adalah laju pembelajaran.
Turun, satu langkah kecil pada satu waktu
Backpropagation melatih jaringan dengan:
Kesalahan mengalir dari output kembali melalui jaringan (aturan rantai) sehingga gradien setiap bobot ditemukan, lalu bobot bergerak turun.
Urutkan satu putaran pelatihan backpropagation.
Maju, kesalahan, mundur, perbarui, diulang selama banyak epoch hingga kesalahan berhenti menurun.
Epochs, dan mengapa laju pembelajaran itu penting
- Satu laluan penuh melalui keseluruhan set latihan adalah satu epoch. Latihan diulang untuk banyak epoch sehingga ralat berhenti menurun.
- Laju pembelajaran yang terlalu besar akan melampaui minimum dan ralat akan melompat-lompat; terlalu kecil dan latihan akan mengambil masa jauh lebih lama daripada yang diperlukan.
- Selepas latihan, menggunakan model hanyalah satu laluan maju, oleh itu rangkaian yang telah dilatih menjawab serta-merta walaupun latihan mengambil masa berhari-hari.
Dalam penurunan gradien, laju pembelajaran menetapkan seberapa besar langkah setiap pembaruan bobot — terlalu besar akan melewati minimum, terlalu kecil membuat pelatihan lambat.
Backpropagation menemukan gradien setiap bobot; laju pembelajaran menskalakan seberapa jauh bobot bergerak turun sepanjang gradien tersebut.
Pernyataan mana tentang pelatihan yang benar? Pilih semua yang berlaku.
Laju pembelajaran adalah ukuran setiap pembaruan bobot. Itulah sebabnya pelatihan bisa memakan waktu berhari-hari sementara prediksi membutuhkan milidetik.
⟦⟧ Nilai yang sering terlewat
- Justifikasi sebuah paradigma daripada data: berlabel bermaksud terarah, tidak berlabel bermaksud tidak terarah, isyarat ganjaran bermaksud penguatkerjaan.
- Pembelajaran penguatkerjaan tiada label. Memanggil ganjarannya sebagai label adalah kekeliruan klasik.
- Perambatan balik ialah maju, ralat, mundur, kemas kini, diulang. Menyebut sahaja "ia menyesuaikan berat" adalah separuh jawapan.
- Laju pembelajaran ialah saiz setiap langkah, bukan kelajuan latihan atau bilangan epoch.
Anda telah memahaminya
- terarah belajar input kepada label daripada data berlabel, untuk pengelasan atau regresi · tidak terarah mencari struktur seperti kumpulan dalam data tidak berlabel · penguatkerjaan mempunyai agen yang mempelajari polisi daripada ganjaran melalui cuba dan gagal
- pilih paradigma daripada apa yang data sediakan, bukan dari kesukaran tugasnya
- perambatan balik: satu laluan maju, satu ralat daripada fungsi kehilangan, satu laluan mundur memberikan gradiaan bagi setiap berat, kemudian kemasukan saiz ditetapkan oleh laju pembelajaran
- latihan diulang untuk banyak epoch; menggunakan model yang telah dilatih adalah satu laluan maju