Машинное обучение: различия между версиями
Материал из Поле цифровой дидактики
Patarakin (обсуждение | вклад) Нет описания правки |
Patarakin (обсуждение | вклад) |
||
| (не показаны 4 промежуточные версии этого же участника) | |||
| Строка 4: | Строка 4: | ||
|Inventor=Самуэль, Минский, Пейперт | |Inventor=Самуэль, Минский, Пейперт | ||
|Clarifying_video=https://youtu.be/US2NMUfn1tQ | |Clarifying_video=https://youtu.be/US2NMUfn1tQ | ||
|similar_concepts=Персептрон, Искусственный интеллект, Генетический алгоритм | |similar_concepts=Персептрон, Искусственный интеллект, Генетический алгоритм, Языковая модель | ||
|Environment=R, Julia, Python, Java, JavaScript | |||
}} | }} | ||
Одним из вариантов моделей машинного обучения являются нейронные сети, которые состоят из нейронов и синапсов (связей между нейронами). [[Нейронная сеть]] | Одним из вариантов моделей машинного обучения являются нейронные сети, которые состоят из нейронов и синапсов (связей между нейронами). [[Нейронная сеть]] | ||
| Строка 15: | Строка 16: | ||
==== Неконтролируемое обучение (без учителя) ==== | ==== Неконтролируемое обучение (без учителя) ==== | ||
К данному типу обучения относятся алгоритмы, которые обучаются на основе набора данных без каких-либо меток. В качестве примера неконтролируемого обучения можно привести кластерный анализ, где стоит задача разделить объекты на классы по неизвестному признаку. В отличие от классификации у нас нет заранее известных классов. Алгоритм сам должен найти похожие объекты и объединить их в кластеры на основе некоторой заданной функции близости. | К данному типу обучения относятся алгоритмы, которые обучаются на основе набора данных без каких-либо меток. В качестве примера неконтролируемого обучения можно привести кластерный анализ, где стоит задача разделить объекты на классы по неизвестному признаку. В отличие от классификации у нас нет заранее известных классов. Алгоритм сам должен найти похожие объекты и объединить их в кластеры на основе некоторой заданной функции близости. | ||
<uml> | |||
@startuml | |||
title Процесс машинного обучения на основе анализа данных | |||
start | |||
:Сбор данных (например, статьи Wikipedia, комментарии, IoT-сенсоры); | |||
note right: Источники: digida.mgpu.ru, Википедия | |||
:Предобработка данных (очистка, токенизация, преобразование); | |||
:Извлечение признаков (например, tf-idf, эмбеддинги); | |||
:Разделение данных на обучающую, валидационную и тестовую выборки; | |||
:Обучение модели (например, кластеризация, классификация); | |||
:Оценка модели (метрики: точность, F1, ROC); | |||
if (Модель хороша?) then (да) | |||
:Применение модели к новым данным; | |||
:Интерпретация результатов (например, темы, интересы, связи); | |||
else (нет) | |||
:Настройка гиперпараметров; | |||
:Повторное обучение; | |||
endif | |||
:Использование модели в практике: рекомендации, автоматизация анализа; | |||
stop | |||
@enduml | |||
</uml> | |||
Текущая версия от 18:48, 13 ноября 2025
| Описание | Способность программы учиться, не будучи явно запрограммированной. Машинное обучение - предполагает наличие общих алгоритмов, которые могут выявить полезную информацию об исследуемом наборе данных без необходимости писать специальный код для решения этой задачи. Что в машинном обучении способ выполнения задачи автоматически выводится из примеров |
|---|---|
| Область знаний | Информатика, Педагогика |
| Авторы | Самуэль, Минский, Пейперт |
| Поясняющее видео | https://youtu.be/US2NMUfn1tQ |
| Близкие понятия | Персептрон, Искусственный интеллект, Генетический алгоритм, Языковая модель |
| Среды и средства для освоения понятия | R, Julia, Python, Java, JavaScript |
Одним из вариантов моделей машинного обучения являются нейронные сети, которые состоят из нейронов и синапсов (связей между нейронами). Нейронная сеть
Типы машиннного обучения
Контролируемое обучение
Обучение производится на многочисленных примерах размеченных данных, то есть на базе изображений в каждом из которых отмечен правильный результат.
Неконтролируемое обучение (без учителя)
К данному типу обучения относятся алгоритмы, которые обучаются на основе набора данных без каких-либо меток. В качестве примера неконтролируемого обучения можно привести кластерный анализ, где стоит задача разделить объекты на классы по неизвестному признаку. В отличие от классификации у нас нет заранее известных классов. Алгоритм сам должен найти похожие объекты и объединить их в кластеры на основе некоторой заданной функции близости.
