EL / EN / DE / IT / SL 

AIAE » e-μάθηση » Συνέντευξη 7

Μηχανική μάθηση

Τα παρακάτω αποσπάσματα συνέντευξης δόθηκαν από τον Fabio Del Frate και καλύπτουν τον ορισμό της ΤΝ, τις σημαντικότερες πτυχές της μηχανικής μάθησης, τις ερμηνείες σχετικά με τη βαθιά μάθηση, τα θέματα της επιβλεπόμενης και μη επιβλεπόμενης μάθησης και τη σχέση της με την ΤΝ, καθώς και τους διαφορετικούς τύπους μηχανικής μάθησης.

Μεταγραφή

Ο Fabio Del Frate έλαβε από το Πανεπιστήμιο της Ρώμης “Tor Vergata” μεταπτυχιακό δίπλωμα στην  Ηλεκτρονική Μηχανική (1992) και διδακτορικό δίπλωμα στην Επιστήμη των Υπολογιστών (1997). Την  περίοδο 1995-1996 ήταν επισκέπτης επιστήμονας στο Ινστιτούτο Τεχνολογίας της Μασαχουσέτης και  από το 1998 έως το 1999 εργάστηκε στον Ευρωπαϊκό Οργανισμό Διαστήματος. Στη συνέχεια  εντάχθηκε στο Πανεπιστήμιο της Ρώμης “Tor Vergata”, όπου σήμερα είναι αναπληρωτής καθηγητής  τηλεπισκόπησης και εφαρμοσμένου ηλεκτρομαγνητισμού σε διάφορα μεταπτυχιακά και διδακτορικά  προγράμματα. Σχετικά με τα θέματα αυτά, έχει διαλέξει σε διάφορα ευρωπαϊκά πανεπιστήμια, καθώς  και ως κύριος ερευνητής/διαχειριστής έργων σε διάφορα χρηματοδοτούμενα έργα του Ευρωπαϊκού  Οργανισμού Διαστήματος (ESA) και της Ιταλικής Διαστημικής Υπηρεσίας (ASI), ηγούμενος  ερευνητικών δραστηριοτήτων στον τομέα της Τεχνητής Νοημοσύνης που εφαρμόζεται σε  δορυφορικά δεδομένα για την Παρατήρηση της Γης (στο εξής θα αναφέρεται ως “EO”).

Quiz question 1/8

Ο συνεντευξιαζόμενος, Fabio Del Frate, είναι διδάκτωρ στην επιστήμη υπολογιστών, ο οποίος εργάζεται επί του παρόντος ως καθηγητής στο Πανεπιστήμιο της Ρώμης Tor Vergata. Δίνει διαλέξεις για την απομακρυσμένη ανίχνευση και τον ηλεκτρομαγνητισμό. Στους Ευρωπαϊκούς και Ιταλικούς Διαστημικούς Οργανισμούς ηγήθηκε της ερευνητικής δραστηριότητας στον τομέα της τεχνητής νοημοσύνης που εφαρμόζεται σε δορυφορικά δεδομένα για παρατήρηση της Γης.


Quiz question 1/1

You have completed the Quiz!

Loading...

Μεταγραφή

Q1. Καθηγητά Del Frate, ας ξεκινήσουμε από τα βασικά. Τι είναι η τεχνητή νοημοσύνη; 

Λοιπόν, για να εξηγήσω εν συντομία τι είναι η Τεχνητή Νοημοσύνη, μου αρέσει συχνά να αναφέρω  έναν από τους πατέρες της Τεχνητής Νοημοσύνης, τον καθηγητή Nils John Nilsson. Γι’ αυτόν “Τεχνητή νοημοσύνη είναι η δραστηριότητα εκείνη που αφιερώνεται στο να κάνει τις μηχανές  ευφυείς, και νοημοσύνη είναι η ιδιότητα εκείνη που επιτρέπει σε μια οντότητα να λειτουργεί  κατάλληλα και με πρόβλεψη στο περιβάλλον της”.  

Έτσι, μπορούμε να πούμε ότι παρέχουμε στις μηχανές και τους υπολογιστές περισσότερους  βαθμούς ελευθερίας. Τους ζητάμε να παίρνουν τις δικές τους αποφάσεις για να υπερβούν αυτό που  συνέβαινε με τον παραδοσιακό προγραμματισμό των υπολογιστών, δηλαδή ουσιαστικά να  εκτελούν μια ακολουθία, έστω και μεγάλη και πολύπλοκη, γραμμών εντολών.  

Πώς το υλοποιούμε αυτό ; Βασικά συνίσταται στο να τροφοδοτούμε τις μηχανές με δεδομένα και να  τους παρέχουμε τη δυνατότητα να αναζητούν σχέσεις, έστω και πολύ λεπτές, μεταξύ αυτών των  δεδομένων. Με αυτά τα δύο στοιχεία: δεδομένα και μοντέλα ερμηνείας, η ΤΝ αναπτύσσει και  οικοδομεί τη δική της γνώση, τη δική της εμπειρία. 

Νομίζω ότι σε αυτό το πλαίσιο θα ήταν επίσης ενδιαφέρουσα μια ιστορική προοπτική, ώστε να  είμαστε περίεργοι να μάθουμε πότε προτάθηκαν οι πρώτοι αλγόριθμοι τεχνητής νοημοσύνης και  μηχανικής μάθησης. Μπορεί να υπάρχουν διαφορετικές απαντήσεις, αλλά η γνώμη μου είναι ότι για  να βρούμε τις ρίζες της τεχνητής νοημοσύνης θα πρέπει να πάμε πίσω στο 1943, όταν  παρουσιάστηκε το πρώτο μαθηματικό μοντέλο νευρωνικών δικτύων στην επιστημονική εργασία “A  logical calculus of the ideas immanent in nervous activity” των Walter Pitts και Warren McCulloch.  Στην εργασία αυτή παρουσιάζεται για πρώτη φορά ένας μόνο νευρώνας ως στοιχειώδης μη  γραμμική μονάδα επεξεργασίας και υποτίθεται ότι συνδέεται με άλλους νευρώνες. Με άλλα λόγια  μια πρώτη πρόχειρη αλλά αποτελεσματική μαθηματική αναπαράσταση του εγκεφάλου. 

Τώρα το θέμα είναι: είναι όλα αυτά επικίνδυνα ; Νομίζω ότι η απάντηση είναι “Ναι, μπορεί να  είναι”, αλλά ακριβώς όσο θα ήταν, ή ήταν, κάθε φορά που γοητευόμαστε από μια νέα τεχνολογία  και θέλουμε να την αφήσουμε να αναπτυχθεί. Στην πραγματικότητα, το θέμα της ανάπτυξης μιας  “ασφαλούς” τεχνητής νοημοσύνης Τώρα το θέμα είναι: είναι όλα αυτά επικίνδυνα ; Νομίζω ότι η απάντηση είναι “Ναι, μπορεί να  είναι”, αλλά ακριβώς όσο θα ήταν, ή ήταν, κάθε φορά που γοητευόμαστε από μια νέα τεχνολογία  και θέλουμε να την αφήσουμε να αναπτυχθεί. Στην πραγματικότητα, το θέμα της ανάπτυξης μιας  “ασφαλούς” τεχνητής νοημοσύνης είναι σίγουρα στην προσοχή των κοινοτήτων των επιστημόνων  και των ερευνητών. Το βασικό σημείο είναι ότι ο άνθρωπος θα πρέπει πάντα να ενεργεί ως επόπτης.  Οι κανόνες, οι κατευθυντήριες γραμμές, αλλά κυρίως τα δεδομένα πάνω στα οποία η μηχανή, όπως  είπαμε προηγουμένως, οικοδομεί τη γνώση της, στα οποία θα στηρίζεται όταν λαμβάνει τις  αποφάσεις της, παρέχονται από ανθρώπινους εμπειρογνώμονες, έτσι ώστε η μηχανή ναι μεν να  συμπεριφέρεται με ένα ορισμένο επίπεδο αυτονομίας, αλλά μέσα σε μια καλά καθορισμένη  παιδική χαρά, και τα όρια αυτής της παιδικής χαράς αποφασίζονται από τους ανθρώπους. 

Quiz question 1/8

Η τεχνητή νοημοσύνη παρέχει στις μηχανές και τους υπολογιστές περισσότερους βαθμούς ελευθερίας, πράγμα που σημαίνει ότι οι μηχανές καλούνται να προχωρήσουν πέρα από τον παραδοσιακή προγραμματισμό υπολογιστών. Προκειμένου οι μηχανές να αναγνωρίσουν μοτίβα, σχέσεις και να χτίσουν τις δικές τους γνώσεις, είναι απαραίτητο να τους παρέχουμε δεδομένα. Δύο σημαντικά στοιχεία για την ερμηνεία των αποτελεσμάτων στην τεχνητή νοημοσύνη είναι τα δεδομένα και τα μοντέλα. Η τεχνητή νοημοσύνη έχει τόσο θετικά όσο και εμπνευσμένα αποτελέσματα, αλλά μπορεί επίσης να αποδειχθεί επικίνδυνη. Ως εκ τούτου, οι ερευνητές πρέπει να επικεντρωθούν στην ασφαλή ανάπτυξη της τεχνητής νοημοσύνης. ” βασική αρχή πρέπει να είναι ότι ο άνθρωπος βρίσκεται πάντα στο ρόλο του επόπτη των κανόνων και των κατευθυντήριων γραμμών, αλλά ιδιαίτερα των δεδομένων.


Quiz question 1/1

You have completed the Quiz!

Loading...

Μεταγραφή

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.

Quiz question 1/8

Τι είναι η μηχανική μάθηση;





Quiz question 1/8

Τι κάνει η μηχανική μάθηση;





Quiz question 1/8

Ποια είναι τα αποτελέσματα των διαφόρων τύπων μοντέλων;





Quiz question 1/8

Γιατί είναι σημαντική η αξιολόγηση της απόδοσης του μοντέλου σε νέα δεδομένα;





Quiz question 1/8

Ποιοι είναι οι κρίσιμοι παράγοντες για την επιτυχή απόδοση της τεχνητής νοημοσύνης;





Quiz question 1/1

You have completed the Quiz!

Loading...

Μεταγραφή

Q3. Η τεχνητή νοημοσύνη και η μηχανική μάθηση συχνά συνδέονται με όρους όπως “βαθιά μάθηση”.  Τι είναι η βαθιά μάθηση; 

Λοιπόν, μπορούμε να πούμε ότι η λέξη βαθιά στη βαθιά μάθηση έχει δύο διαφορετικές έννοιες, αν  και συσχετίζονται σε μεγάλο βαθμό. Η μία έχει να κάνει με την ιεραρχική αναπαράσταση του  σεναρίου που μας ενδιαφέρει. Αν το σενάριο είναι για παράδειγμα η αναγνώριση αντικειμένων, το  βαθιά έχει να κάνει με τα πολλαπλά στάδια της διαδικασίας αναγνώρισης του αντικειμένου: ως ζώο,  ως σκύλος, ως σκύλος Δαλματίας. 

Αυτά τα πολλαπλά στάδια αναπαράστασης βρίσκουν αντιστοιχία με τα διαφορετικά επίπεδα του  μαθηματικού μοντέλου που θέλουμε να χρησιμοποιήσουμε για την αναπαράσταση, οπότε, για να το  απλοποιήσουμε, ένα επίπεδο του μαθηματικού μοντέλου εστιάζει στο ζώο, ένα επίπεδο στο σκύλο,  ένα επίπεδο στον τύπο του σκύλου. Αυτό ακριβώς συμβαίνει με ένα βαθύ νευρωνικό δίκτυο. Τα  νευρωνικά δίκτυα είναι τα πιο συχνά χρησιμοποιούμενα μοντέλα για τη βαθιά μάθηση. Έτσι, εδώ  έχουμε τη δεύτερη έννοια, η οποία είναι μια τοπολογική έννοια, που αφορά τον αριθμό των  στρωμάτων της αρχιτεκτονικής. Έτσι έχουμε βαθιά νευρωνικά δίκτυα, όπως τα Convolutional Neural  Networks, τα οποία περιλαμβάνουν πολλά επίπεδα επεξεργασίας έναντι ρηχών νευρωνικών δικτύων,  όπως τα συμβατικά Multi-Layer Perceptrons, τα οποία είναι νευρωνικά δίκτυα με περιορισμένο  αριθμό επιπέδων. Για να επανέλθουμε σε αυτό που είπαμε σχετικά με την πολυπλοκότητα των  μοντέλων, οι αρχιτεκτονικές βαθιάς μάθησης είναι αναμφίβολα πολύ πολύπλοκες, πράγμα που  σημαίνει ότι απαιτείται υψηλός υπολογιστικός φόρτος και διαθεσιμότητα τεράστιων ποσοτήτων  δεδομένων μάθησης. Πράγματι, η ανάγκη για πολύ μεγάλο αριθμό δεδομένων ώθησε στην ανάπτυξη  νέων τεχνικών για αυτό που ονομάζεται “αύξηση δεδομένων”, η οποία συνίσταται στην αύξηση του  αριθμού των δεδομένων ξεκινώντας από ένα πιο περιορισμένο σύνολο δεδομένων.

Quiz question 1/8

Ναι.
Όχι.
 

Μπορούμε να πούμε ότι η βαθιά μάθηση έχει δύο έννοιες;


Είναι η βαθιά μάθηση υπεύθυνη για πολλαπλά στάδια στη διαδικασία αναγνώρισης αντικειμένων;


Ένα μαθηματικό μοντέλο περιέχει διαφορετικά επίπεδα γνώσης;


Είναι αλήθεια ότι τα νευρωνικά δίκτυα δεν είναι τα πιο χρησιμοποιημένα δίκτυα για βαθιά μάθηση;


Είναι μία από τις έννοιες της βαθιάς μάθησης η τοπολογική;


Τα νευρωνικά δίκτυα μπορεί να είναι ρηχά ή συνελικτικά;


Είναι η βαθιά μάθηση μια μη πολύπλοκη στρατηγική;



Quiz question 1/1

You have completed the Quiz!

Loading...

Μεταγραφή

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.

Quiz question 1/8

Η εποπτευόμενη μάθηση δεν είναι κοινός υποκλάδος της μηχανικής μάθησης.




Quiz question 1/8

Το σφάλμα αντιπροσωπεύει την απόσταση μεταξύ των αποφασισμένων και των πραγματικών τιμών εξόδου.




Quiz question 1/8

Η φάση κατάρτισης της εποπτευόμενης μάθησης είναι σύντομη.




Quiz question 1/8

Το τελικό αποτέλεσμα της εποπτευόμενης μάθησης είναι πολύ ισχυρό, επειδή μπορεί να λειτουργήσει σε νέα δεδομένα σε πραγματικό χρόνο.




Quiz question 1/8

Η ταξινόμηση εικόνων και η ανίχνευση αντικειμένων είναι παραδείγματα εποπτευόμενης μάθησης.




Quiz question 1/8

Η εποπτευόμενη μάθηση σπάνια εφαρμόζεται σε παρατηρήσεις της γης.




Quiz question 1/8

Οι βιοφυσικές παράμετροι από δεδομένα που συλλέγονται από δορυφόρους περιλαμβάνονται στην εποπτευόμενη μάθηση όταν γίνονται παρατηρήσεις στη Γη.




Quiz question 1/1

You have completed the Quiz!

Loading...

Μεταγραφή

Q5. Τι είναι η μάθηση χωρίς επίβλεψη; Μπορείτε να δώσετε μερικά παραδείγματα εφαρμογών που  τη χρησιμοποιούν; 

Ο κύριος σκοπός της μάθησης χωρίς επίβλεψη είναι η εύρεση συσχετίσεων μεταξύ των δεδομένων,  ώστε να τα ομαδοποιήσουμε σε παρόμοιες κατηγορίες. Στη μάθηση χωρίς επίβλεψη δεν  χρειαζόμαστε εξωτερικές λειτουργίες επισήμανσης ή έναν δάσκαλο που παρέχει τιμές-στόχους.  Ολόκληρη η εκπαίδευση του μαθηματικού μοντέλου βασίζεται μόνο στα υπάρχοντα αρχικά  δεδομένα, οπότε στην περίπτωση αυτή, σε σχέση με την επιβλεπόμενη μάθηση, η διαδικασία  χαρακτηρίζεται από υψηλότερο επίπεδο αυτοματοποίησης. Μπορούμε να πούμε ότι, στο τέλος της  εκπαίδευσης, το μοντέλο οργανώνει μια εσωτερική αναπαράσταση των δεδομένων που τα καθιστά  πιο κατανοητά και εύκολα ερμηνεύσιμα. Όπως και για τα άλλα παραδείγματα μάθησης, έτσι και η  μάθηση χωρίς επίβλεψη μπορεί να υλοποιηθεί μέσω διαφόρων μαθηματικών μοντέλων. Και σε αυτή  την περίπτωση, πρέπει πάντα να έχουμε το νου μας στην πολυπλοκότητα του μοντέλου που θα πρέπει  να αντικατοπτρίζει την πολυπλοκότητα της εσωτερικής αναπαράστασης που αναζητούμε. Στην ΕΟ και  σε άλλα πεδία η μάθηση χωρίς επίβλεψη μπορεί να χρησιμοποιηθεί για τη μείωση της  διαστατικότητας. Αν θεωρήσουμε μια υπερφασματική μέτρηση, έχουμε ότι οι συλλεγόμενες  πληροφορίες μπορεί να κατανέμονται σε εκατοντάδες μήκη κύματος. Σε πολλές περιπτώσεις θα ήταν  επιθυμητό οι πληροφορίες αυτές, ή οι σημαντικότερες από αυτές, να συμπιέζονται σε μικρότερο  αριθμό συνιστωσών. Αυτό μπορεί να επιτευχθεί με τεχνικές μάθησης χωρίς επίβλεψη.

Quiz question 1/8

  1. Τι ψάχνουμε σε δεδομένα με μη εποπτευόμενη μάθηση; Συσχετισμό.
  2. Με βάση τι γίνεται η ομαδοποίηση των δεδομένων στη μη εποπτευόμενη μάθηση; Ομοιότητες.
  3. Χρειάζονται εξωτερικές λειτουργίες επισήμανσης στη μη εποπτευόμενη μάθηση; Όχι.
  4. Σε τι βασίζεται η εκπαίδευση των μαθηματικών μοντέλων; Πρωτότυπα δεδομένα.
  5. Τι κάνει το μοντέλο με τα δεδομένα στο τέλος της εκπαίδευσης στη μη εποπτευόμενη μάθηση; Το οργανώνει.
  6. Τι πρέπει να προσέξουμε στη μη εποπτευόμενη μάθηση; Πολυπλοκότητα του μοντέλου.
  7. Γιατί συγκεκριμένα μπορεί να χρησιμοποιηθεί η μη εποπτευόμενη μάθηση; Μείωση διαστάσεων.

Quiz question 1/1

You have completed the Quiz!

Loading...

Μεταγραφή

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.

Quiz question 1/8

Υπάρχουν μόνο δύο διαφορετικοί αλγόριθμοι μηχανικής μάθησης.




Quiz question 1/8

Οι αλγόριθμοι νευρωνικών δικτύων μπορεί να είναι βαθείς ή ρηχοί.




Quiz question 1/8

Οι μηχανές υποστήριξης-διανύσματος και τα δέντρα αποφάσεων είναι αλγόριθμοι για εποπτευόμενη μηχανική μάθηση.




Quiz question 1/8

Οι αυτοοργανωμένοι χάρτες, η ομαδοποίηση μέσων και η ανάλυση κύριων συνιστωσών είναι τύποι εποπτευόμενης μηχανικής μάθησης.




Quiz question 1/8

Η κύρια διαφορά μεταξύ ταξινόμησης και παλινδρόμησης είναι στον τύπο της εξόδου




Quiz question 1/8

Το αποτέλεσμα στην ταξινόμηση είναι μια ετικέτα /κλάση.




Quiz question 1/8

Η παλινδρόμηση εκτιμά έναν πραγματικό αριθμό




Quiz question 1/8

Δεν μπορούμε να μεταφέρουμε το πρόβλημα παλινδρόμησης σε μια ταξινόμηση.




Quiz question 1/1

You have completed the Quiz!

Loading...

The learning unit has not been completed

You have successfully completed the learning unit.