ΝΟW 17

ΙΟΥΛΙΟΣ 2020 #14 Οι επιβλεπόμενοι αλγόριθμοι μάθησης ( Supervised learning ) εκπαι- δεύονται χρησιμοποιώντας δεδομένα που έχουν επισημανθεί με ετι- κέτες, όπως μια είσοδο όπου η επιθυμητή έξοδος είναι γνωστή. Για παράδειγμα, ένα κομμάτι εξοπλισμού θα μπορούσε να φέρει ετικέτα δεδομένων «F» (failed) ή «R» (runs). Ο αλγόριθμος εκμάθησης λαμβάνει ένα σύνολο εισόδων μαζί με τις αντίστοιχες σωστές εξόδους και μαθαί- νει συγκρίνοντας την πραγματική του έξοδο με τις σωστές εξόδους για να βρει λάθη, ενώ στη συνέχεια τροποποιεί ανάλογα το μοντέλο. Μέσω μεθόδων όπως η ταξινόμηση, η αναδρομή, η πρόβλεψη και η ενίσχυ- ση της κλίσης, η επιβλεπόμενη μάθηση χρησιμοποιεί πρότυπα για να προβλέπει τις τιμές της ετικέτας σε πρόσθετα δεδομένα χωρίς ετικέτα. Η επιβλεπόμενη μάθηση χρησιμοποιείται συνήθως σε εφαρμογές όπου ιστορικά δεδομένα προβλέπουν πιθανά μελλοντικά γεγονότα. Για πα- ράδειγμα, μπορεί να προβλέπει πότε οι συναλλαγές με πιστωτική κάρ- τα ενδέχεται να είναι δόλιες, ή ποιος ασφαλισμένος πελάτης είναι πιθα- νό να υποβάλει αξίωση. Η μη επιβλεπόμενη μάθηση ( Unsupervised learning ) χρησιμοποι- εί δεδομένα που δεν έχουν ετικέτες ιστορικού. Χωρίς να του παρέχε- ται καμία εμπειρία, ο αλγόριθμος μάθησης πρέπει να βρει την δομή των δεδομένων εισόδου. Η μη επιβλεπόμενη μάθηση λειτουργεί ιδα- νικά σε δεδομένα συναλλαγών. Για παράδειγμα, μπορεί να προσδιορί- ζει τμήματα πελατών με παρόμοια χαρακτηριστικά που μπορούν στη συνέχεια να χρησιμοποιούνται με παρόμοιο τρόπο σε καμπάνιες μάρ- κετινγκ. Μπορεί επίσης να βρίσκει τα κύρια χαρακτηριστικά που διαχω- ρίζουν τμήματα πελατών μεταξύ τους. Δημοφιλείς τεχνικές που χρησι- μοποιεί η μη επιβλεπόμενη μάθηση είναι οι χάρτες αυτο-οργάνωσης, η ομαδοποίηση των δεδομένων σε έναν αριθμό K (K-Means Clustering), η ιεραρχική ομαδοποίηση (Hierarchical Clustering) και η πιθανολογική ομαδοποίηση (Probabilistic Clustering). Οι αλγόριθμοι αυτοί χρησιμο- ποιούνται για την τμηματοποίηση θεμάτων κειμένου, τη σύσταση στοι- χείων και τον εντοπισμό ακραίων δεδομένων. Η μερικώς επιβλεπόμενη μάθηση ( Semisupervised learning ) χρησι- μοποιείται για τις ίδιες εφαρμογές με την επιβλεπόμενη μάθηση. Χρη- σιμοποιεί όμως τόσο δεδομένα που έχουν επισημανθεί με ετικέτες (γνωστά), όσο και δεδομένα χωρίς ετικέτες (άγνωστα) για εκπαίδευση. Συνδυάζει συνήθως μια μικρότερη ποσότητα δεδομένων με ετικέτα με μια μεγαλύτερη ποσότητα δεδομένων χωρίς ετικέτα, επειδή τα δεδο- μένα χωρίς σήμανση είναι λιγότερο ακριβά και μπορούν να αποκτη- θούν ευκολότερα. Αυτός ο τύπος μάθησης μπορεί να χρησιμοποιεί με- θόδους ταξινόμησης, αναδρομής και πρόβλεψης, ενώ είναι χρήσιμος όταν το κόστος που σχετίζεται με την επισήμανση είναι πολύ υψηλό. Ένα από τα πιο απλά παραδείγματα μερικώς επιβλεπόμενης μάθησης είναι ο προσδιορισμός του προσώπου ενός ατόμου σε μια web κάμερα. Η ενισχυτική μάθηση ( Reinforcement learning ) χρησιμοποιείται συχνά στη ρομποτική, σε παιχνίδια και στην πλοήγηση. Στην ενισχυ- τική μάθηση ο αλγόριθμος ανακαλύπτει μέσω δοκιμής και σφάλμα- τος ποιες ενέργειες αποδίδουν τα καλύτερα αποτελέσματα. Αυτός ο τύπος μάθησης έχει τρία βασικά συστατικά: τον παράγοντα (τον μα- θητή ή τον υπεύθυνο λήψης αποφάσεων), το περιβάλλον (οτιδήπο- τε αλληλοεπιδράει με τον παράγοντα) και τις ενέργειες (τι μπορεί να κάνει ο παράγοντας). Στόχος είναι ο παράγοντας να επιλέξει τις ενέρ- γειες που θα αποδώσουν το βέλτιστο δυνατό αποτέλεσμα για ένα δε- δομένο χρονικό διάστημα, κάτι που θα πετύχει εφόσον ακολουθήσει την καλύτερη δυνατή πολιτική. Πού χρησιμοποιείται η μηχανική μάθηση; Οι περισσότερες βιομηχανίες που επεξεργάζονται μεγάλες ποσότητες δεδομένων, αναγνωρίζουν την αξία της τεχνολογίας της μηχανικής μά- θησης. Με τη συλλογή πληροφοριών από αυτά τα δεδομένα που πραγ- ματοποιείται συχνά σε πραγματικό χρόνο, οι οργανισμοί μπορούν να εργάζονται πιο αποτελεσματικά, ή να αποκτούν πλεονέκτημα έναντι των ανταγωνιστών τους. Χρηματοπιστωτικές υπηρεσίες : Οι τράπεζες και άλλες επιχειρήσεις του χρηματοοικονομικού κλάδου χρησιμοποιούν τεχνολογία μηχανι- κής μάθησης για δύο βασικούς σκοπούς, τον εντοπισμό σημαντικών πληροφοριών σχετικά με τα δεδομένα και την πρόληψη της απάτης. Οι πληροφορίες μπορούν να προσδιορίζουν επενδυτικές ευκαιρίες, ή να βοηθούν τους επενδυτές να γνωρίζουν πότε να κάνουν συναλλαγές. Η συλλογή δεδομένων μπορεί επίσης να αναγνωρίζει πελάτες με προφίλ υψηλού κινδύνου, ή να χρησιμοποιεί την ασφάλεια του κυβερνοχώρου για να εντοπίζει προειδοποιητικά σημάδια απάτης. Φροντίδα υγείας: Η μηχανική μάθηση είναι μια ταχέως αναπτυσσό- μενη τάση στον κλάδο της υγειονομικής περίθαλψης, χάρη στην εμ- φάνιση φορητών συσκευών και αισθητήρων που μπορούν να χρη- σιμοποιούν δεδομένα για την αξιολόγηση της υγείας ενός ασθενούς σε πραγματικό χρόνο. Η τεχνολογία μπορεί επίσης να βοηθάει τους ειδικούς της ιατρικής να αναλύουν δεδομένα για τον εντοπισμό τά- σεων ή κόκκινων σημείων που μπορεί να οδηγήσουν σε βελτιωμένες διαγνώσεις και θεραπεία. Η επιβλεπόμενη μάθηση (Supervised learning) χρησιμοποιεί δεδομένα που έχουν επισημανθεί με ετικέτες, όπως μια είσοδο όπου η επιθυμητή έξοδος είναι γνωστή. 5 Στη μη επιβλεπόμενη μάθηση (Unsupervised learning) οι πληροφορίες, η εμπειρία του αλγόριθμου και η έξοδος είναι άγνωστες. 6