Uczenie się na danych

Wprowadzenie do sztucznej inteligencji

Maarten Van den Broeck

Senior Content Developer at DataCamp

Funkcje i obszary AI

Obszary i funkcje AI

Wprowadzenie do sztucznej inteligencji

Funkcje i obszary AI

Obszary i funkcje AI

Wprowadzenie do sztucznej inteligencji

Uczenie maszynowe (ML)

Uczenie maszynowe: nauka na danych i wykrywanie wzorców

Obszary uczenia maszynowego

Wprowadzenie do sztucznej inteligencji

Uczenie maszynowe (ML)

Uczenie maszynowe: nauka na danych i wykrywanie wzorców

Obszary uczenia maszynowego

Wprowadzenie do sztucznej inteligencji

Uczenie maszynowe (ML)

Uczenie maszynowe: nauka na danych i wykrywanie wzorców

Obszary uczenia maszynowego

Wprowadzenie do sztucznej inteligencji

Uczenie maszynowe (ML)

Uczenie maszynowe: nauka na danych i wykrywanie wzorców

Obszary uczenia maszynowego

Wprowadzenie do sztucznej inteligencji

Uczenie maszynowe (ML)

Uczenie maszynowe: nauka na danych i wykrywanie wzorców

Obszary uczenia maszynowego

Wprowadzenie do sztucznej inteligencji

Uczenie nadzorowane: klasyfikacja

Klasyfikacja: przypisanie każdej obserwacji kategorii (klasy), do której może należeć

  • Klasyfikacja binarna: dwie klasy, np. pozytywna/negatywna, mężczyzna/kobieta itp.

Klasyfikacja binarna

Wprowadzenie do sztucznej inteligencji

Uczenie nadzorowane: klasyfikacja

Klasyfikacja: przypisanie każdej obserwacji kategorii (klasy), do której może należeć

  • Klasyfikacja binarna: dwie klasy, np. pozytywna/negatywna, mężczyzna/kobieta itp.
  • Klasyfikacja wieloklasowa: kilka wzajemnie wykluczających się klas, np. wiele gatunków

Uczenie nadzorowane: wymaga anotacji danych (etykietowanych obserwacji ze znaną klasą a priori) do trenowania modelu zdolnego do wnioskowania

Klasyfikacja wieloklasowa

Wprowadzenie do sztucznej inteligencji

Uczenie nadzorowane: regresja i prognozowanie

Regresja: przypisanie każdej obserwacji liczbowej wartości wyjściowej (etykiety) na podstawie jej cech

Regresja do szacowania ceny domu

Prognozowanie szeregów czasowych: przewidywanie przyszłych wartości zmiennej na podstawie jej przeszłego zachowania

Prognozowanie szeregów czasowych dla liczby pasażerów autobusów

Wprowadzenie do sztucznej inteligencji

Uczenie nienadzorowane i ze wzmocnieniem

Grupowanie: wyszukiwanie podgrup danych o podobnych cechach (np. algorytm k-means)

Grupowanie danych pingwinów

Wykrywanie anomalii: identyfikowanie nietypowych obserwacji, np. podejrzanych transakcji kartą

Wykrywanie anomalii

Odkrywanie reguł asocjacyjnych: wykrywanie częstych współwystąpień elementów w danych transakcyjnych

Wykrywanie produktów często kupowanych razem

Uczenie ze wzmocnieniem: nauka przez doświadczenie (metodą prób i błędów) w celu opanowania złożonego zadania

Uczenie ze wzmocnieniem do nawigacji w labiryncie

Wprowadzenie do sztucznej inteligencji

A co z uczeniem głębokim?

  • Zaawansowane modele oparte na głębokich sieciach neuronowych: rozwiązują zadania, z którymi klasyczne modele ML sobie nie radzą

  • Uczą się na danych tak jak ludzki mózg

Wymagają dużych ilości danych: czasem milionów obserwacji

Zadania uczenia głębokiego

Wprowadzenie do sztucznej inteligencji

A co z uczeniem głębokim?

Zaawansowane modele oparte na głębokich sieciach neuronowych: rozwiązują zadania, z którymi klasyczne modele ML sobie nie radzą

Wymagają dużych ilości danych: czasem milionów obserwacji

Zadania uczenia głębokiego

Wprowadzenie do sztucznej inteligencji

Czas na ćwiczenia!

Wprowadzenie do sztucznej inteligencji

Preparing Video For Download...