Μηχανική μάθηση

Q2. Τι είναι η μηχανική μάθηση; 

Λοιπόν, θα έλεγα ότι η μηχανική μάθηση είναι μια πιθανή, υποθέτω ότι αυτή τη στιγμή η πιο  χρησιμοποιούμενη, τεχνική διαδικασία για τη δημιουργία τεχνητής νοημοσύνης μέσα σε μια μηχανή.  Είδαμε ήδη ότι υπάρχουν δύο κύριοι παράγοντες: τα δεδομένα και το μοντέλο, πιο συγκεκριμένα ένα  μαθηματικό μοντέλο. Η πρόκληση είναι να βρεθούν οι παράμετροι του μαθηματικού μοντέλου ώστε  να μπορεί να αναπαραστήσει τις σχέσεις μεταξύ των δεδομένων. Όλα βασίζονται στη δημιουργία μιας  διαδικασίας μάθησης με βάση τα ίδια τα δεδομένα. Μπορεί να έχουμε διαφορετικούς τύπους  μοντέλων, για παράδειγμα νευρωνικά δίκτυα ή μηχανές διανυσμάτων υποστήριξης και, κατά  συνέπεια, διαφορετικούς αλγορίθμους για την εκμάθηση του μοντέλου. Ο τελικός στόχος ωστόσο  είναι πάντα ο ίδιος: να εξαχθεί γνώση από τα δεδομένα εκπαίδευσης που χρησιμοποιούνται στη  διαδικασία εκπαίδευσης και να εφαρμοστεί αυτή η εξαχθείσα γνώση σε νέα δεδομένα.  Παρεμπιπτόντως, η αξιολόγηση του πόσο καλή είναι η απόδοση του μοντέλου στα νέα δεδομένα,  δηλαδή στα δεδομένα που δεν λήφθηκαν υπόψη κατά τη φάση της εκπαίδευσης, είναι πολύ  σημαντική. Μας λέει πόσο το μοντέλο είναι εφαρμόσιμο στον πραγματικό κόσμο, πόσο μπορεί να  γενικεύσει.  

Σε κάθε περίπτωση, η ποιότητα και η ποσότητα των δεδομένων που χρησιμοποιούνται κατά τη φάση  εκμάθησης είναι κρίσιμοι παράγοντες για μια επιτυχημένη απόδοση. Συγκεκριμένα, η ποσότητα των  δεδομένων πρέπει να είναι στατιστικά σημαντική ώστε να παρέχει τα σχετικά χαρακτηριστικά του  φαινομένου που θέλουμε να διερευνήσουμε. Ένα άλλο σημαντικό βασικό ζήτημα είναι να  αποφασίσουμε πόσο πολύπλοκο πρέπει να είναι το μαθηματικό μας μοντέλο. Θα ήταν σοβαρό  πρόβλημα αν επιλέγαμε ένα πολύ απλό μοντέλο για να αναζητήσουμε πολύ λεπτές σχέσεις μεταξύ  των δεδομένων, αλλά, παράλληλα, αν οι κανόνες που διέπουν τα δεδομένα είναι λιγότερο  περίπλοκοι, επίσης η δομή του μοντέλου μπορεί να είναι ελαφρύτερη, κάποτε…. το λιγότερο είναι  περισσότερο, όπως λέμε, όπου το λιγότερο αναφέρεται στον αριθμό των παραμέτρων που  χαρακτηρίζουν το μοντέλο. Παρεμπιπτόντως, η πολυπλοκότητα του μοντέλου έχει να κάνει και με το χρόνο που χρειαζόμαστε για  την εκπαίδευση του μοντέλου και με τον όγκο των δεδομένων που είναι απαραίτητος για την  υλοποίηση της πλήρους διαδικασίας μάθησης.

Q4. Τι είναι η επιβλεπόμενη μάθηση; Μπορείτε να δώσετε μερικά παραδείγματα εφαρμογών που τη  χρησιμοποιούν; 

Λοιπόν, θα έλεγα ότι η μάθηση με επίβλεψη είναι ο πιο διαδεδομένος υποκλάδος της μηχανικής  μάθησης σήμερα. Η μάθηση με επίβλεψη είναι μια μορφή μάθησης όπου, για μια δεδομένη είσοδο,  υπάρχει ένα “αληθινό” αποτέλεσμα και αυτή η αλήθεια μπορεί να διδαχθεί στο μοντέλο. Με άλλα  λόγια, ως δάσκαλος ή επόπτης, για κάθε είσοδο που δίνεται στο μοντέλο γνωρίζουμε ποια θα πρέπει  να είναι η έξοδος του μοντέλου και θέλουμε το μοντέλο να ενσωματώνει τον γενικό κανόνα. Συνήθως,  αυτό συμβαίνει με την ελαχιστοποίηση αυτού που ονομάζεται σφάλμα ή συνάρτηση κόστους, η  οποία αντιπροσωπεύει την απόσταση μεταξύ των επιθυμητών τιμών εξόδου και των πραγματικών  τιμών εξόδου που παράγονται από το μοντέλο κατά τη φάση της εκπαίδευσης. Στην πραγματικότητα,  η μάθηση με επίβλεψη μπορεί να θεωρηθεί επιτυχής όταν το τελικό συνολικό σφάλμα σε ένα σύνολο  παραδειγμάτων, τα οποία δεν έχουν χρησιμοποιηθεί κατά τη φάση της εκπαίδευσης, είναι κάτω από  ένα προκαθορισμένο όριο. Η φάση της εκπαίδευσης μπορεί να είναι πολύ μακρά, αλλά μόλις την  ολοκληρώσουμε σωστά, έχουμε ένα πολύ ισχυρό εργαλείο, που ουσιαστικά λειτουργεί σε  πραγματικό χρόνο, για την επεξεργασία των νέων δεδομένων. Η επιβλεπόμενη μάθηση μπορεί να  είναι χρήσιμη σε πολλούς τομείς. Μια μάλλον μαζική εφαρμογή αφορά την ταξινόμηση εικόνων. Στην  περίπτωση αυτή τα πραγματικά δεδομένα είναι δεδομένα που έχουν επισημανθεί από την  ανθρώπινη ερμηνεία εικόνας. Η ταξινόμηση μπορεί να πραγματοποιηθεί σε διάφορα επίπεδα:  επίπεδο εικονοστοιχείου, επίπεδο κηλίδας, επίπεδο αντικειμένου. Το επίπεδο ταξινόμησης  καθοδηγεί την επιλογή της εισόδου που θέλουμε να δώσουμε στο μοντέλο. Πιο συγκεκριμένα, η  μάθηση με επίβλεψη εφαρμόζεται σήμερα σε μεγάλο βαθμό στην παρατήρηση της Γης, όπου  θέλουμε να κάνουμε εκτίμηση βιο-γεωφυσικών παραμέτρων από δεδομένα που συλλέγονται από  δορυφόρους. Ένα ενδιαφέρον παράδειγμα αφορά τη γεωργία ακριβείας στη γεωργία. Εάν θέλουμε  να παρακολουθήσουμε τη βιομάζα μιας καλλιέργειας προκειμένου να βελτιστοποιήσουμε την  ποσότητα λιπάσματος που πρέπει να χρησιμοποιηθεί, μπορούμε να αξιοποιήσουμε δορυφορικές  μετρήσεις που λαμβάνονται για την εν λόγω καλλιέργεια. Ωστόσο, ειδικά στην περιοχή των  μικροκυμάτων του ηλεκτρομαγνητικού φάσματος, η εξαγωγή παραμέτρων της βλάστησης δεν είναι  τετριμμένη, επειδή η μέτρηση είναι επίσης, ας πούμε, μολυσμένη από το υποκείμενο έδαφος, οπότε  τα μοντέλα με τεχνητή νοημοσύνη με επίβλεψη μπορούν σίγουρα να αποτελέσουν ένα από τα  εργαλεία που μας επιτρέπουν να ανακτήσουμε το μέρος της πληροφορίας της μέτρησης που  συνδέεται περισσότερο με τη βλάστηση, απορρίπτοντας αυτό που εξαρτάται περισσότερο από το  έδαφος.

Q6. Υπάρχουν διάφορες ομαδοποιήσεις αλγορίθμων μηχανικής μάθησης, π.χ. παλινδρόμηση,  ταξινόμηση κ.ο.κ. Μπορείτε να εξηγήσετε τη σημασία τους και τη διαφορά μεταξύ τους; 

Υπάρχουν διάφορες δυνατότητες ομαδοποίησης των αλγορίθμων μηχανικής μάθησης. Νομίζω ότι η  κυριότερη βασίζεται στον τύπο του μαθηματικού μοντέλου. Πιο συγκεκριμένα, όπως αναφέρθηκε  προηγουμένως, έχουμε μοντέλα για εκπαίδευση με επίβλεψη και μοντέλα για εκπαίδευση χωρίς  επίβλεψη. Όσον αφορά το πρώτο, μεταξύ των σημαντικότερων έχουμε νευρωνικά δίκτυα, βαθιά ή  ρηχά, μηχανές διανυσμάτων υποστήριξης, δέντρα απόφασης, τεχνικές συνόλου. Για τα μοντέλα χωρίς  επίβλεψη μπορούμε να αναφέρουμε τα k-means, την ανάλυση κύριων συνιστωσών, τα  αυτοσυνδεόμενα νευρωνικά δίκτυα, τους αυτοοργανωμένους χάρτες κ.ο.κ.  

Αλλά όπως επισημαίνεται στην ερώτησή σας, μια άλλη δυνατότητα ομαδοποίησης των αλγορίθμων  μηχανικής μάθησης αφορά τη διάκριση μεταξύ παλινδρόμησης και ταξινόμησης. Από τη στιγμή που  παρέχεται μια συγκεκριμένη είσοδος στο μαθηματικό μας μοντέλο, η διαφορά μεταξύ  παλινδρόμησης και ταξινόμησης εξαρτάται κυρίως από το είδος της εξόδου που μας ενδιαφέρει. Στην  περίπτωση της ταξινόμησης, η έξοδος θα είναι μια ετικέτα, μια κλάση. Για παράδειγμα, ας  θεωρήσουμε και πάλι μια δορυφορική εφαρμογή όπου η τηλεπισκόπηση χρησιμοποιείται για τη  μετεωρολογία. Ας υποθέσουμε λοιπόν ότι πρέπει να κάνουμε μια μετεωρολογική ανάλυση και  θέλουμε να αποφασίσουμε ποιο εικονοστοιχείο μιας εικόνας του ουρανού πρέπει να συσχετιστεί με  τον συννεφιασμένο ουρανό και ποιο εικονοστοιχείο της εικόνας με τον καθαρό ουρανό, έτσι ώστε ο  τελικός σκοπός να είναι η παραγωγή ενός χάρτη όπου αναπαριστούμε με μπλε χρώμα τα  εικονοστοιχεία του καθαρού ουρανού και με γκρι χρώμα τα εικονοστοιχεία του συννεφιασμένου  ουρανού. Στην περίπτωση αυτή λέμε ότι θέλουμε να αποκτήσουμε έναν χάρτη ταξινόμησης. Για την  παλινδρόμηση, βασικά, θέλουμε το μαθηματικό μας μοντέλο, ως απόκριση της επεξεργασίας των  δεδομένων του, να υπολογίζει ή να εκτιμά έναν αριθμό, γενικότερα έναν αριθμό πραγματικής τιμής.  Έτσι, αν θεωρήσουμε το ίδιο σενάριο που αφορά τη μετεωρολογία, θέλουμε να γνωρίζουμε από τα  τηλεπισκοπικά δεδομένα πόσο είναι η υγρασία ή το ποσοστό βροχόπτωσης, πραγματικοί αριθμοί, σε  μια δεδομένη περιοχή. Ωστόσο, είναι ενδιαφέρον να σημειωθεί πώς ένα πρόβλημα παλινδρόμησης  μπορεί να μετατραπεί σε πρόβλημα ταξινόμησης. Αυτό συμβαίνει αν πω: σε αυτό το διάστημα ή εύρος τιμών βροχόπτωσης, δηλαδή μεταξύ αυτών των δύο αριθμών, έχω την κατηγορία “χαμηλή  βροχόπτωση”, σε αυτό το άλλο διάστημα ή εύρος έχω “μέτρια βροχόπτωση”, και ούτω καθεξής. Σε  αυτή την περίπτωση αντιστοιχίζω τα διαστήματα τιμών σε κλάσεις. 

Σας ευχαριστούμε, καθηγητά Fabio Del Frate, το εκτιμούμε πραγματικά. Ήταν μια σαφής &  ενδιαφέρουσα αποτύπωση των χαρακτηριστικών της Τεχνητής Νοημοσύνης και των σχετικών  εφαρμογών.