Классическое машинное обучение

Добро пожаловать на занятие 6 курса «Концепции искусственного интеллекта» (COMP5511). Это занятие служит мостом от теоретических основ к практическим алгоритмическим реализациям. Хотя современный ИИ часто делает акцент на глубоком обучении, Классическое машинное обучение остаётся основой анализа данных. Эти алгоритмы обеспечивают высокую интерпретируемость и вычислительную эффективность, что делает их предпочтительным выбором для структурированных данных и отраслевой аналитики.

1. Обучение с учителем

Эта парадигма предполагает обучение модели на размеченном наборе данных, где алгоритм изучает взаимосвязь между входными признаками и конкретным целевым выходом. Это позволяет модели предсказывать результаты для новых, ранее не встречавшихся данных с высокой точностью.

Деревья решений: модели, которые разбивают данные на ветви для принятия классификационного или числового решения.
Машины опорных векторов (SVM): алгоритмы, которые находят оптимальную гиперплоскость для максимизации зазора между различными классами данных.

2. Обучение без учителя

Эти алгоритмы анализируют неразмеченные данные для обнаружения скрытых закономерностей, структур или группировок без каких-либо предварительных указаний о том, каким должен быть результат. Ключевые методы включают:

Кластеризация методом K-средних: группировка точек данных в K различных групп на основе схожести признаков.
Метод главных компонент (PCA): метод снижения размерности , используемый для упрощения сложных данных с сохранением их существенной дисперсии.

Интерпретируемость против сложности

Значительное преимущество классического машинного обучения — его прозрачность. В отличие от моделей глубокого обучения типа «чёрный ящик», такие алгоритмы, как деревья решений, позволяют человеку проследить точную логику прогноза, что критически важно для областей с высокими ставками, таких как медицина или финансы.

Рабочий процесс реализации в Scikit-learn