Problemy rozwiązywane przez ML

W tym wpisie postaram się przybliżyć Ci, jakie problemy można rozwiązywać za pomocą machine learning. Wychodzę z założenia, że zanim zaczniemy się uczyć szczegółów jakiegoś zagadnienia, najpierw warto zapoznać się z tym, jakie problemy on rozwiązuje. Pisząc ten artykuł zauważyłem, że trudno jest odróżnić na pierwszy rzut oka niektóre problemy ML, dlatego dodałem dodatkowe wyjaśnienia.
Tekst został napisany przez człowieka, generatywne AI było używane jedynie do researchu.

Problemy rozwiązywane przez ML

Klasyfikacja

Polega na nadawaniu etykiet lub rozdzielaniu zbiorów danych. Można klasyfikować na przykład

• Punkty na płaszczyźnie - posiadając 2 zbiory, można wyznaczyć linię pomiędzy zbiorami która je izoluje
• Przypisywanie wartościom etykiet. Przykładowo, aplikacja może klasyfikować dane jako wartości dyskretne typu Pies | Kot
• Rozpoznawanie obiektów, aplikacja może na przykład odróżniać, czy na zdjęciu znajduje się znak drogowy
• Klasyfikowanie tekstów, dźwięków. W skrzynce pocztowej działa filtr antyspamowy, który na podstawie tekstu emaila ocenia, czy jest on spamem czy nie. Rozróżnianie czy obiekt należy do jednej z dwóch klas nazywamy klasyfikowaniem binarnym.
  

Klasyfikacja odpowiada na pytanie - “Który”.

Regresja

Służy do ustalenie jednej wartości na podstawie innych wartości. Jest stosowana w systemach rekomendacji, segmentowania klientów czy ustalania cen.

Jeśli chcesz sprzedać jakiś przedmiot i nie wiesz, jak powinieneś go wycenić, możesz porównać ceny innych podobnych przedmiotów,  z uwzględnieniem ich stanu i dostępnych opcji wysyłki. Pozwoli to wywnioskować jaką cenę powinieneś ustalić za swój produkt. Najprostsza regresja uwzględnia tylko 2 parametry, w bardziej zaawansowanych zastosowaniach używa się regresję uwzględniającą ich więcej. Wartość obliczana jest na podstawie zależności między zmiennymi.
Regresja odpowiada na pytanie “Ile?”, pozwala na przypisanie jakiejś wartości. 

Klasyfikacja vs regresja

W regresji szacujemy wartość ciągłą, na przykład cenę lub prawdopodobieństwo. W klasyfikacji, oceniamy czy wartość należy do jednej z kilku klas.

Przewidywanie (Forecasting)

Nieco przypomina regresję, istotną różnicą jest to, że oceniamy wartość zmiennej w przyszłości. W problemach przewidywania, będziemy analizowali dane historyczne. Przykładowe problemy przewidywania to obliczanie oceny akcji w przyszłości. 

Forecasting może być używany do prognozowania pogody, wielkości sprzedaży czy analizowania ryzyka zachorowania na różne choroby.
Modele stosowane w przewidywaniu często są podobnych do tych, w regresji.

Przewidywanie vs regresja

W regresji używamy danych obecnych by wyznaczyć jaką wartość, natomiast w przewidywaniu, zgadujemy wartość jakiejś danej w przyszłości.

Klasteryzacja (Clustering)

Przypomina klasyfikację, jest to uczenie nienadzorowane, w którym dostajemy zbiór różnych pomieszanych danych i następnie dzielimy te dane na klastry. 

W każdym klastrze znajdują się dane podobne, a w różnych klastrach, są dane różne. Może to służyć do:

• klasyfikowania klientów, osób z podobnymi objawami chorób
• tworzenia grup produktów na podstawie ich cech

Klasyfikacja vs klasteryzacja

W kategoryzacji mamy wyznaczone predefiniowane kategorie, natomiast w klasteryzacji, oceniane jest podobieństwo. W klasteryzacji model wyszukuje naturalne grupy danych, nie mają danych żadnych etykiet.

Uczenie przez wzmacnianie - (Reinforcement Learning)

Rodzaj uczenia maszynowego, w którym system wchodzi w interakcję ze środowiskiem, dostaje od niego informację zwrotną i następnie dostosowuje swoje działanie. Przykładowo, system może uczyć się gry platformowej, wiedząc tylko tyle, że może wciskać różne przyciski. Jeśli osiągnie dobry wynik, dostaje pozytywną informację zwrotną, jeśli przegra, negatywną. Bardziej ludzkim językiem, jest to metoda prób i błędów.
W ten sposób uczył się system Alpha Go i Alpha 0, które bez znajomości gry w go i szachy, rozegrały ze sobą miliony partii i następnie osiągnęły poziom mistrzowski. Uczenie przez wzmacnianie jest stosowane na przykład do tworzenia systemów grających na giełdzie, samochodach autonomicznych i w robotyce.