Pregled sadržaja[Sakriti][Pokazati]
Jedan od primarnih kriterija za bilo koju vrstu korporativne aktivnosti je učinkovito korištenje informacija. U nekom trenutku količina stvorenih podataka premašuje kapacitet osnovne obrade.
Tu na scenu stupaju algoritmi strojnog učenja. Međutim, prije nego što se bilo što od ovoga dogodi, informacije se moraju proučiti i protumačiti. Ukratko, to je ono za što se koristi nenadzirano strojno učenje.
U ovom ćemo članku detaljno ispitati nenadzirano strojno učenje, uključujući njegove algoritme, slučajeve upotrebe i još mnogo toga.
Što je nenadzirano strojno učenje?
Nenadzirani algoritmi strojnog učenja identificiraju uzorke u skupu podataka koji nemaju poznate ili označene posljedice. Pod nadzorom algoritmi strojnog učenja imaju označen izlaz.
Poznavanje ove razlike pomaže vam da shvatite zašto se nenadzirane metode strojnog učenja ne mogu koristiti za rješavanje problema regresije ili klasifikacije, budući da ne znate koja vrijednost/odgovor za izlazne podatke može biti. Ne možete normalno trenirati algoritam ako ne znate vrijednost/odgovor.
Štoviše, učenje bez nadzora može se koristiti za prepoznavanje temeljne strukture podataka. Ovi algoritmi otkrivaju skrivene uzorke ili grupiranja podataka bez potrebe za ljudskom interakcijom.
Njegova sposobnost otkrivanja sličnosti i kontrasta u informacijama čini ga izvrsnim izborom za istraživačku analizu podataka, tehnike unakrsne prodaje, segmentaciju potrošača i identifikaciju slika.
Razmotrite sljedeći scenarij: nalazite se u trgovini mješovitom robom i vidite neidentificirano voće koje nikada prije niste vidjeli. Možete lako razlikovati nepoznato voće od drugog voća na temelju vaših promatranja njegovog oblika, veličine ili boje.
Algoritmi strojnog učenja bez nadzora
grupiranje
Grupiranje je bez sumnje najčešće korišten pristup učenju bez nadzora. Ovaj pristup stavlja povezane podatke u nasumično generirane klastere.
Sam po sebi, ML model otkriva sve obrasce, sličnosti i/ili razlike u nekategoriziranoj strukturi podataka. Model će moći otkriti sve prirodne skupine ili klase u podacima.
Tipovi
Postoji nekoliko oblika klasteriranja koji se mogu koristiti. Pogledajmo najprije one najvažnije.
- Ekskluzivno grupiranje, ponekad poznato kao "tvrdo" klasteriranje, vrsta je grupiranja u kojem jedan podatak pripada samo jednom klasteru.
- Preklapajuće klasteriranje, često poznato kao "meko" klasteriranje, omogućuje podatkovnim objektima da pripadaju više od jednog klastera u različitim stupnjevima. Nadalje, probabilističko klasteriranje može se koristiti za rješavanje problema "mekog" klasteriranja ili procjene gustoće, kao i za procjenu vjerojatnosti ili vjerojatnosti da podatkovne točke pripadaju određenim klasterima.
- Stvaranje hijerarhije grupiranih podatkovnih stavki je cilj hijerarhijskog klasteriranja, kao što naziv kaže. Podatkovne stavke se dekonstruiraju ili kombiniraju na temelju hijerarhije za generiranje klastera.
Slučajevi upotrebe:
- Otkrivanje anomalije:
Bilo koja vrsta odstupanja u podacima može se otkriti pomoću klasteriranja. Tvrtke u transportu i logistici, na primjer, mogu koristiti otkrivanje anomalija za otkrivanje logističkih prepreka ili otkrivanje oštećenih mehaničkih dijelova (prediktivno održavanje).
Financijske institucije mogu koristiti tehnologiju za otkrivanje lažnih transakcija i brzo reagirati, potencijalno uštedjevši mnogo novca. Saznajte više o uočavanju abnormalnosti i prijevara gledajući naš video.
- Segmentacija kupaca i tržišta:
Algoritmi grupiranja mogu pomoći u grupiranju ljudi koji imaju slične karakteristike i stvaranju osobnosti potrošača za učinkovitiji marketing i ciljane inicijative.
K-znači
K-srednje je metoda klasteriranja koja je također poznata kao particioniranje ili segmentacija. Dijeli podatkovne točke u unaprijed određeni broj skupina poznatih kao K.
U metodi K-srednjih vrijednosti, K je ulaz budući da kažete računalu koliko klastera želite identificirati u svojim podacima. Svaka podatkovna stavka naknadno se dodjeljuje najbližem središtu klastera, poznatom kao središte (crne točke na slici).
Potonji služe kao prostori za pohranu podataka. Tehnika klasteriranja može se provoditi više puta dok se grozdovi dobro ne definiraju.
Nejasna K-sredstva
Fuzzy K-means je proširenje tehnike K-means, koja se koristi za preklapajuće klasteriranje. Za razliku od tehnike K-srednjih vrijednosti, neizrazite K-srednje vrijednosti pokazuju da podatkovne točke mogu pripadati mnogim klasterima s različitim stupnjevima blizine svakom od njih.
Udaljenost između podatkovnih točaka i središta klastera koristi se za izračun blizine. Kao rezultat toga, može doći do preklapanja raznih klastera.
Gaussovi modeli mješavina
Gaussovi modeli mješavine (GMM) metoda su koja se koristi u probabilističkom grupiranju. Budući da su srednja vrijednost i varijanca nepoznati, modeli pretpostavljaju da postoji fiksni broj Gaussovih distribucija, od kojih svaka predstavlja poseban klaster.
Za određivanje kojem klasteru određena podatkovna točka pripada, u osnovi se koristi metoda.
Hijerarhijsko grupiranje
Strategija hijerarhijskog klasteriranja može započeti sa svakom podatkovnom točkom dodijeljenom drugom klasteru. Dva klastera koja su najbliža jedan drugome zatim se stapaju u jedan klaster. Iterativno spajanje se nastavlja sve dok samo jedan klaster ne ostane na vrhu.
Ova metoda je poznata kao metoda odozdo prema gore ili aglomerativna. Ako počnete sa svim podatkovnim stavkama vezanim uz isti klaster, a zatim provodite podjele dok se svakoj podatkovnoj stavci ne dodijeli zaseban klaster, metoda je poznata kao top-down ili hijerarhijsko klasteriranje koje dijeli.
Apriorni algoritam
Analiza tržišne košarice popularizirala je apriorne algoritme, što je rezultiralo različitim mehanizmima preporuka za glazbene platforme i internetske trgovine.
Koriste se u transakcijskim skupovima podataka za pronalaženje čestih skupova artikala ili grupiranja artikala, kako bi se predvidjela vjerojatnost konzumiranja jednog proizvoda na temelju konzumacije drugog.
Na primjer, ako počnem puštati radio OneRepublic na Spotifyu s “Counting Stars”, jedna od drugih pjesama na ovom kanalu vrlo će sigurno biti pjesma Imagine Dragon, poput “Bad Liar”.
To se temelji na mojim prethodnim navikama slušanja, kao i na obrascima slušanja drugih. Apriorne metode broje skupove stavki koristeći hash stablo, prelazeći skup podataka u širinu.
Smanjenje dimenzija
Smanjenje dimenzionalnosti vrsta je nenadziranog učenja koje koristi zbirku strategija za smanjenje broja značajki – ili dimenzija – u skupu podataka. Dopustite nam da pojasnimo.
Može biti primamljivo uključiti što više podataka dok stvarate svoj skup podataka za strojno učenje. Nemojte nas krivo shvatiti: ova strategija dobro funkcionira jer više podataka obično daje točnije nalaze.
Pretpostavimo da su podaci pohranjeni u N-dimenzionalnom prostoru, pri čemu svaka značajka predstavlja drugu dimenziju. Mogu postojati stotine dimenzija ako postoji mnogo podataka.
Razmotrite Excel proračunske tablice, sa stupcima koji predstavljaju karakteristike i redovima koji predstavljaju podatkovne stavke. Kada ima previše dimenzija, ML algoritmi mogu raditi loše i vizualizacija podataka može postati teško.
Stoga je logično ograničiti karakteristike ili dimenzije i prenijeti samo relevantne informacije. Smanjenje dimenzionalnosti je upravo to. Omogućuje upravljivu količinu unosa podataka bez ugrožavanja integriteta skupa podataka.
Analiza glavne komponente (PCA)
Analiza glavnih komponenti je pristup smanjenja dimenzionalnosti. Koristi se za smanjenje broja značajki u ogromnim skupovima podataka, što rezultira većom jednostavnošću podataka bez žrtvovanja točnosti.
Sažimanje skupa podataka postiže se metodom poznatom kao ekstrakcija značajki. Označava da su elementi iz izvornog skupa uklopljeni u novi, manji. Ove nove osobine poznate su kao primarne komponente.
Naravno, postoje dodatni algoritmi koje možete koristiti u svojim aplikacijama za učenje bez nadzora. Navedeni su samo najzastupljeniji, zbog čega se o njima detaljnije govori.
Primjena učenja bez nadzora
- Metode učenja bez nadzora koriste se za zadatke vizualne percepcije kao što je prepoznavanje predmeta.
- Nenadzirano strojno učenje daje kritične aspekte medicinskim slikovnim sustavima, kao što su identifikacija slike, klasifikacija i segmentacija, koji se koriste u radiologiji i patologiji za brzo i pouzdano dijagnosticiranje pacijenata.
- Učenje bez nadzora može pomoći u prepoznavanju trendova podataka koji se mogu koristiti za stvaranje učinkovitijih strategija unakrsne prodaje korištenjem prošlih podataka o ponašanju potrošača. Tijekom procesa naplate, to koriste internetske tvrtke kako bi klijentima predložile prave dodatke.
- Metode učenja bez nadzora mogu prosijati ogromne količine podataka kako bi pronašli odstupanja. Ove abnormalnosti mogu upozoriti na neispravnost opreme, ljudsku pogrešku ili narušavanje sigurnosti.
Problemi s nenadziranim učenjem
Učenje bez nadzora privlačno je na različite načine, od mogućnosti pronalaženja važnih uvida u podataka kako bi se izbjeglo skupo označavanje podataka operacije. Međutim, postoji nekoliko nedostataka korištenja ove strategije za treniranje modeli strojnog učenja kojih biste trebali biti svjesni. Evo nekoliko primjera.
- Budući da ulazni podaci nemaju oznake koje služe kao ključevi odgovora, rezultati modela učenja bez nadzora mogli bi biti manje precizni.
- Učenje bez nadzora često radi s ogromnim skupovima podataka, što može povećati računsku složenost.
- Pristup zahtijeva potvrdu rezultata od strane ljudi, internih ili eksternih stručnjaka za predmet istraživanja.
- Algoritmi moraju ispitati i izračunati svaki mogući scenarij tijekom faze obuke, koja traje neko vrijeme.
Zaključak
Učinkovito korištenje podataka ključ je za postizanje konkurentske prednosti na određenom tržištu.
Možete segmentirati podatke pomoću nenadziranih algoritama strojnog učenja kako biste ispitali preferencije svoje ciljane publike ili odredili kako određena infekcija reagira na određeni tretman.
Postoji nekoliko praktičnih primjena, i znanstvenici podataka, inženjeri i arhitekti mogu vam pomoći u definiranju vaših ciljeva i razvoju jedinstvenih ML rješenja za vašu tvrtku.
Ostavi odgovor