EVROPSKI UNIVERZITET – SVEUČILIŠTE BRČKO
SAOBRAĆAJNI FAKULTET
SEMINARSKI RAD
Predmet:
-EKSPERTNI SAOBRAĆAJNI SISTEMI-
Tema:
-
MAŠINSKO UČENJE
-
PROFESOR : STUDENT :
BRČKO, 2015.
EVROPSKI UNIVERZITET – SVEUČILIŠTE BRČKO
SAOBRAĆAJNI FAKULTET
-
MAŠINSKO UČENJE
-
- SEMINARSKI RAD -
PROFESOR:
S T U D E N T:
BRČKO, 2015.
-
SADRŽAJ-
Uvod.........................................................................................................4
1. Pojam mašinskog učenja....................................................................6
1.2.
Tipovi učenja i osnovne odlike
.........................................................7
1.3.
Neuronske mreže i genetski algoritmi
................................................9
2. Osnovne forme mašinskog učenja...................................................10
3. Mašinsko učenje prema strategiji učenja.......................................12
4. Induktivno mašinsko učenje............................................................13
4.2.
Induktivni bias
.............................................................................13
4.3.
Induktivni logičko programiranje
...................................................14
4.4.
Ilustracija:mašinsko učenje razumljivog znanja na osnovu primjera
...16
5. Stabla odlučivanja.............................................................................17
5.2.
Metode učenja
..............................................................................17
5.3.
Podrezivanje
................................................................................19
5.4.
Prednosti i nedostatci stabla odlučivanja
.........................................20
5.5.
Produkciona pravila i stabla odlučivanja
.........................................22
5.6.
Reprezentacija
.............................................................................24
5.7.
Okamova oštrica
..........................................................................25
5.8.
Proširenja ID3
.............................................................................26
6. Mašinska učenja klasifikacija..........................................................28
6.2.
Vrste klasifikatora
........................................................................28
7. Komparativna analiza ljudskog i mašinskog znanja.....................32
8. Zaključak...........................................................................................34
Literatura.....................................................................................................35
3
Uvod
Mašinsko učenje
je podoblast vještačke inteligencije čiji je cilj
konstruisanje algoritama i računarskih sistema koji su sposobni da se adaptiraju na
analogne nove situacije i uče na bazi iskustva. Razvijene su različite tehnike učenja za
izvršavanje različitih zadataka. Prve koje su bile predmet istraživanja, tiču se
nadgledanog učenja za diskreciono donošenje odluka, nadgledanog učenja za
kontinuirano predviđanje i pojačano učenje za sekvencionalno donošenje odluka, kao i
nenadgledano učenje.
Dosada najbolje shvaćen od svih navedenih zadataka je odlučivanje preko jednog
pokušaja (engl.
one-shot learning
).Računaru je dat opis jednog objekta (događaja ili
situacije) i od njega se očekuje da kao rezultat izbaci klasifikaciju tog objekta. Na
primjer, program za prepoznavanje alfanumeričkih znakova kao ulaznu vrijednost ima
digitalizovanu sliku nekog alfanumeričkog znaka i kao rezultat treba da izbaci njegovo
ime. Izuzetno bitna distinkcija između mašinskog učenja i vještačke inteligencije nalazi
se u cilju njihovog operisanja: dok vještačka inteligencija ima za cilj ne samo da imitira
ljudsko razmišljanje kroz učenje, već i da to bude prožeto apstraktnim razmišljanjem,
predstavljanjem znanja i rasuđivanjem, mašinsko učenje je
samo
usmjereno ka stvaranju
softvera koji može da uči iz prošlih iskustava. Mašinsko učenje je znatno bliže data
miningu i statističkoj analizi. Neki čak vjeruju da je napredovalo ispred statistike time što
se oslanja na tačnost predviđanja, nasuprot čistom modelovanju podataka.
Pored mogućnosti istraživanja i isprobavanja različitih modela učenja kod ljudi i životinja
u psihologiji, postoje daleko praktičniji razlozi za tako nešto:
neki se problemi nemogu jednostavno definisati osim primjerima u toku
praktičnog rada (npr. prepoznavanje glasa ili problemi vizije kod kojih
je neophodno personalizovati bazu znanja o konkretnom glasu ili licu
koji se prepoznaje radi autentifikacije ili zbog optimalnijeg rada) ili
ako okruženje u kojem se koristi sistem nije poznato u toku njegovog
projektovanja
u velikoj količini podataka se kriju neočigledni entiteti i relacije među
njima - problem otrivanja znanja (
Data Mining
): postoje metode ma-
šinskog učenja koje se uspješsno primjenjuju u mnogim oblastima
često su količine podataka i odnosa u njima toliko velike da je ljudima
praktično nemoguće da znanje u njima u cjelini obuhvate, koriste ili
zapišu - onda je praktičnije, ako je moguće, postupno mašinski obuhvatiti takvo
znanje
4
1. Pojam mašinskog učenja
Jedna preciznija definicija pojma mašinskog učenja (kako se navodi u [TM-ML] bi bila:
Definicija
Program (mašina) M
uči
iz iskustva E u odnosu na klasu zadataka T i mjeru
performansi P (mjera je definisana nad osobinom ili skupom
osobina koje takođe moraju
biti definisane), ako se mjera performansi P programa poboljšava u vezi zadataka T
nakon iskustva E.
U primjeru prepoznavanja pisanog teksta
T
je prepoznavanje i klasifikovanje
riječi ili slova u datoj slici,
P
je procenat ispravno prepoznatih,
E
je skup
obučavanja koji čini bazu zadatih slika slova i riječi i njihovih klasifikacija.
Klasičan je primjer i Sejmurov program koji uči da igra dame. Mjera performansi je onda
sposobnost da pobijedi protivnika nakon iskustva stečenog u
igranju protiv samog sebe ili protivnika koji umije da igra. Objekat učenja
mogu biti različite konceptualizacije svijeta, odnosno izračunljive strukture:
funkcije - mnogi se problemi mogu svesti na zadatak traženja preslikavanja
f
nad
nekim skupovima gdje je hipoteza preslikavanje
h
(istearnosti) a skup obučavanja
S
je određen broj parova zadatih vrijednosti domena i
f
,
a cilj je da se
h
iz neke
klase fukcija
H
što bolje ,,poklapa” sa
f
(
h
=
f
,
idealno). Na primjer funkcija
evaluacije u teoriji igara koja je obično predstavljena vektorom parametara (uz
npr. LMS pravilo učenja)
logički programi, frejmovi - osnovni vid konceptualizacije svijeta u kojem se traži
riješenje nekog problema je jezik PR1 ili nekog od njegovih ,,dijalekata” (npr.
PROLOG) kao i druge formalizacije: produkciona pravila konačni automati,
formalne gramatike, neuronske mreže i drugi sistemi koji riješavaju probleme
Definicije mašinskog učenja:
Proces u kome sistem poboljšava svoje performanse na datom zadatku bez
dodatnog programiranja,
( Hart, 1978 )
Skup procesa, gdje spadaju: prikupljanje novog deklarativnog znanja, razvoj i
usavršavanje motornih i saznajnih sposobnosti kroz praksu, strukturisanje
postojećeg znanja i otkrivanje novih činjenica i teorija posmatranja i aktivnim
eksperimentisanjem
( Michalsky, 1983 )
Ustanovljavanje zavisnosti u raspoloživim podacima
( Cherkassky, 2007 )
Sve u svemu, najjednostavnije objašnjenje mašinskog učenja došlo je od
profesora
Toma Mičela
sa univerziteta Carnegie Mellon:
6
