Studia informatyka – Uczenie maszynowe – podstawy

Uczenie maszynowe

Dział sztucznej inteligencji, który umożliwia programom uczenie się z danych i poprawianie wydajności bez wyraźnego programowania.

Algorytm

Zestaw reguł lub instrukcji do rozwiązania problemu. W uczeniu maszynowym algorytmy analizują dane, by tworzyć modele.

Nadzorowane uczenie

Typ uczenia maszynowego, gdzie model uczy się na podstawie etykietowanych danych wejściowych.

Nienadzorowane uczenie

Metoda uczenia maszynowego, która polega na analizie danych bez etykiet, aby odkrywać struktury lub wzorce.

Podział danych

Proces rozdzielania zbioru danych na zestawy treningowe i testowe, w celu oceny wydajności modelu.

Model

Reprezentacja matematyczna procesu lub systemu, którą algorytm uczy się z danych.

Funkcja kosztu

Miara błędu modelu, wykorzystywana do optymalizacji w procesie uczenia.

Przykład

W kontekście uczenia maszynowego, jednostka danych używana do uczenia modelu, np. zdjęcie, tekst.

Overfitting

Zjawisko, w którym model zbytnio dopasowuje się do danych treningowych, przez co traci zdolność generalizacji.

Underfitting

Stan, w którym model jest zbyt prosty, aby uchwycić wzorce danych, co prowadzi do niskiej wydajności.

Uczenie głębokie

Poddziedzina uczenia maszynowego, która korzysta z sieci neuronowych o wielu warstwach do analizy danych.

Sieci neuronowe

Struktury inspirowane mózgiem, składające się z neuronów, które przetwarzają informacje i uczą się na podstawie danych.

Regresja

Typ problemu uczenia maszynowego, którego celem jest przewidywanie wartości ciągłych na podstawie danych wejściowych.

Klasyfikacja

Zadanie polegające na przypisaniu etykiety do danych na podstawie wzorców ich cech.

Walidacja krzyżowa

Technika oceny modelu polegająca na podziale danych na kilka podzbiorów, by zoptymalizować jego wydajność.

Hyperparametry

Parametry ustalane przed procesem uczenia, które wpływają na wydajność modelu, np. szybkość uczenia.

Drzewo decyzyjne

Struktura, która podejmuje decyzje na podstawie wartości cech, skutecznie dzieląc dane na zbiory.

SVM

Maszyna wektorów nośnych — algorytm klasyfikacji, który znajduje hiperpłaszczyznę najlepiej oddzielającą dane.

KNN

K najbliższych sąsiadów — algorytm klasyfikacyjny, który przypisuje etykietę na podstawie najbliższych sąsiadów w zbiorze danych.

Clustering

Proces grupowania podobnych danych bez wcześniejszych etykiet, stosowany w nienadzorowanym uczeniu.

PCA

Analiza głównych składowych — technika redukcji wymiarowości, która przekształca dane do nowego układu współrzędnych.

Boosting

Technika ensemble, która łączy wiele słabych modeli w jeden silniejszy model poprzez iteracyjne poprawianie błędów.

Bagging

Metoda polegająca na trenowaniu wielu modeli na różnych podzbiorach danych, aby zwiększyć stabilność i dokładność.

Regularizacja

Technika zmniejszająca złożoność modelu, aby zapobiegać overfittingowi poprzez dodanie kary za złożoność.

Feature engineering

Proces tworzenia nowych cech na podstawie istniejących danych, co może poprawić wydajność modelu.

Gradient descent

Algorytm optymalizacji, który minimalizuje funkcję kosztu przez aktualizację parametrów modelu w kierunku największego spadku.

Transfer learning

Koncepcja, w której model wyuczony na jednym zadaniu jest dostosowywany do innego, podobnego zadania.

Generative Adversarial Network (GAN)

Rodzaj sieci neuronowej, która składa się z dwóch modeli konkurujących ze sobą: generatora i dyskryminatora.

Automatyzacja uczenia

Wykorzystanie algorytmów do automatycznego dopasowywania modeli do danych bez manualnych interwencji.

Zbiór testowy

Zbiór danych używany do oceny wydajności modelu po jego wytrenowaniu na zbiorze treningowym.

Zbiór treningowy

Zbiór danych, na którym model uczy się, dostosowując swoje parametry do określonych etykiet.

Miara wydajności

Wskaźniki oceny jakości modelu, takie jak dokładność, precyzja czy recall.