Nadzirano učenje

Nadzirano učenje (engleski: supervised learning) model je mašinskog učenja u kojem algoritmi rade s poznatim skupom ulaznih podataka i poznatim skupom izlaznih podataka i uvježbavaju model za predviđanje. Model nadziranog učenja se zasniva na algoritmima koji su trenirani pomoću prethodno označenih primjera.^[1] Ulazni podaci sadrže informacije o klasama i pripadajućim vrijednostima, dok je željena izlazna vrijednost poznata. Algoritam prima skup vrijednosti zajedno s odgovarajućim izlaznim vrijednostima te uči uspoređujući stvarne izlazne vrijednosti sa zadanim vrijednostima koje su mu dostavljene kao ulaz. Ukoliko postoje odstupanja, algoritam se ispravlja. Metode nadziranog strojnog učenja, kao što su klasifikacija (engleski: classification), regresija (engleski: regression), predviđanje (engleski: prediction) i pojačavanje gradijenta (engleski: gradient boosting), koriste uzorke iz označenih podataka kako bi predvidjele oznaku ili klasu za podatak koji nije označen. Cilj algoritama je učenje funkcije koja preslikava vektore, na osnovu primjera parova ulaz-izlaz.^[2]

Apstrakcije

Postoje nekoliko načina na koje se standardni problem nadziranog učenja može generalizirati:

• Polunadzirano učenje: U ovom okruženju željene izlazne vrijednosti su dostupne samo za podskup skupa podataka za učenje. Preostali podaci nisu označeni.
• Aktivno učenje: Umjesto pretpostavke da su svi primjeri za učenje dati na početku, algoritmi za aktivno učenje interaktivno prikupljaju nove primjere, obično postavljajući upite korisniku. Često, upiti se temelje na podacima bez oznaka, što je scenarij koji kombinira polu-nadzirano učenje s aktivnim učenjem.
• Strukturirano predviđanje: Kada je željena izlazna vrijednost kompleksni objekt, poput sintaksnog stabla ili označenog grafa, tada se standardne metode moraju proširiti.
• Učenje rangiranja: Kada je ulaz skup objekata, a željeni izlaz je rangiranje tih objekata, tada se također moraju proširiti standardne metode.

Primjene

• Bioinformatika
• Hemoinformatika
• Marketing utemeljen na bazama podataka
• Prepoznavanje rukopisa
• Pretraživanje informacija
• Izvlačenje informacija
• Prepoznavanje objekata u računarskom vidu
• Optičko prepoznavanje znakova
• Otkrivanje neželjene pošte (spam)
• Prepoznavanje uzoraka
• Prepoznavanje govora
• Klasifikacija reljefa korištenjem satelitskih snimaka
• Klasifikacija potrošnje u javnoj nabavci

Reference

1. Mehryar Mohri, Afshin Rostamizadeh, Ameet Talwalkar (2012) Foundations of Machine Learning, The MIT Press ISBN 9780262018258.
2. Stuart J. Russell, Peter Norvig (2010) Artificial Intelligence: A Modern Approach, Third Edition, Prentice Hall ISBN 9780136042594.

Vanjski linkovi

• Softver otvorenog koda za mašinsko učenje (MLOSS)