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 стандартного отраслевого анализа.

1. Обучение с учителем

Эта парадигма предполагает обучение модели на размеченном наборе данных, где алгоритм изучает взаимосвязь между входными признаками и конкретным целевым результатом. Это позволяет модели точно прогнозировать результаты для новых, невиданных ранее данных.

Деревья решений: модели, которые разделяют данные на ветви, чтобы принять решение о классификации или численном значении.
Метод опорных векторов (SVM): алгоритмы, которые находят оптимальную гиперплоскость для максимизации отступа между различными классами данных.

2. Обучение без учителя

Эти алгоритмы анализируют немаркированные данные для обнаружения скрытых закономерностей, структур или группировок без какой-либо предварительной информации о том, каким должен быть результат. Ключевые методы включают:

Кластеризация K-средних: группировка точек данных в K отдельных групп на основе сходства 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 «чёрного ящика», такие алгоритмы, как деревья решений, позволяют проследить точную логику прогноза, что крайне важно для областей с высокой ответственностью, таких как медицина или финансы.

Рабочий процесс реализации с помощью Scikit-learn