Učení s učitelem

Řízené učení je jednou z metod strojového  učení , během níž je testovaný systém nucen učit se pomocí příkladů podnět-odezva. Z pohledu kybernetiky se jedná o jeden z typů kybernetického experimentu . Může existovat určitý vztah mezi vstupy a referenčními výstupy (stimul-odezva), ale to není známo.  Je známa pouze konečná množina precedentů – páry podnět-odpověď, nazývané trénovací vzorek . Na základě těchto dat je potřeba obnovit závislost (vybudovat model vztahů podnět-odpověď vhodný pro prognózování), to znamená sestavit algoritmus schopný dát poměrně přesnou odpověď pro jakýkoli objekt. Pro měření přesnosti odpovědí i při učení na příkladech lze zavést kvalitní funkcional .

Princip nastavení tohoto experimentu

Tento experiment je speciálním případem kybernetického experimentu se zpětnou vazbou. Nastavení tohoto experimentu předpokládá existenci experimentálního systému, trénovací metody a metody pro testování systému nebo měření charakteristik.

Experimentální systém se zase skládá z testovaného (použitého) systému, prostoru přijímaných podnětů z vnějšího prostředí a systému řízení výztuže (regulátor vnitřních parametrů). Jako systém řízení výztuže lze použít automatické řídící zařízení (například termostat) nebo lidskou obsluhu (učitel), schopné reagovat na reakce testovaného systému a podněty prostředí aplikací speciálních pravidel výztuže, která mění stav. paměti systému.

Jsou dvě možnosti: (1) když odezva testovaného systému nemění stav prostředí a (2) když odezva systému mění podněty prostředí. Tato schémata naznačují základní podobnost takového obecného systému s biologickým nervovým systémem.

Typologie řízených učebních úloh

Typy vstupních dat

• Orientační popis  je nejčastějším případem. Každý objekt je popsán sadou jeho charakteristik, nazývaných rysy . Funkce mohou být numerické nebo nenumerické.
• Matice vzdálenosti mezi objekty. Každý objekt je popsán vzdáleností od všech ostatních objektů v trénovacím vzorku. S tímto typem vstupu pracuje jen málo metod, zejména metoda k nejbližších sousedů , metoda Parzenova okna a metoda potenciální funkce .
• Časová řada nebo signál je posloupnost měření v čase. Každý rozměr může být reprezentován číslem, vektorem a v obecném případě orientačním popisem studovaného objektu v daném čase.
• Obrázek nebo videosekvence .
• Existují i ​​složitější případy, kdy jsou vstupní data prezentována ve formě grafů , textů, výsledků databázových dotazů atd. Zpravidla se redukují na první nebo druhý případ předzpracováním dat a extrakcí prvků .

Typy odpovědí

• Když je množina možných odpovědí nekonečná (odpovědi jsou reálná čísla nebo vektory), mluví se o regresních a aproximačních problémech  ;
• Když je množina možných odpovědí konečná, mluví se o problémech klasifikace a rozpoznávání vzorů ;
• Když odpovědi charakterizují budoucí chování procesu nebo jevu, mluví se o prognostických úkolech .

Degenerované typy systémů řízení výztuže ("učitelé")

• Reakce řízený systém výztuže ( R je řízený systém ) se vyznačuje tím, že nefunguje informační kanál z vnějšího prostředí do systému výztuže. Tento systém, navzdory přítomnosti řídicího systému, odkazuje na spontánní učení , protože testovaný systém se učí autonomně, pouze pod vlivem svých výstupních signálů, bez ohledu na jejich "správnost". Při této metodě učení nejsou potřeba žádné vnější informace pro řízení změny stavu paměti;
• Výztužný systém s pobídkovým řízením ( S - kontrolovaný systém ) - je charakteristický tím, že nefunguje informační kanál z testovaného systému do výztužného systému. Navzdory nefunkčnímu kanálu z výstupů testovaného systému se jedná o řízené učení, protože v tomto případě posilovací systém (učitel) nutí testovaný systém produkovat reakce podle určitého pravidla, ačkoli přítomnost skutečné reakce testovaného systému se neberou v úvahu.

Toto rozlišení umožňuje hlubší pohled na rozdíly mezi různými způsoby učení, protože hranice mezi učením pod dohledem a učením bez dozoru je jemnější. Navíc takový rozdíl umožnil ukázat určitá omezení pro umělé neuronové sítě pro systémy řízené S a R (viz věta o konvergenci perceptronů ).

Viz také

• Učení bez učitele
• Učení příkladem
• Prognostické úkoly

Literatura

• Rosenblatt, F. Principy neurodynamiky: perceptrony a teorie mozkových mechanismů. - M .: Mir, 1965. - 480 s. Archivováno21. května 2015 naWayback Machine

• Wasserman, F. Neurocomputer Engineering: Theory and Practice = Neural Computing. teorie a praxe. — M .: Mir, 1992. — 240 s. — ISBN 5-03-002115-9 . Archivováno 30. června 2009 na Wayback Machine