Regrese
Používá se v případech, kdy cílová proměnná nabývá spojitých hodnot. Typickým příkladem je predikce ceny nemovitosti na základě její rozlohy a lokality nebo odhad budoucí teploty.
Metriky regrese → Modul 02: Supervised Learning
Učení s učitelem
Metoda strojového učení založená na trénování modelu pomocí anotovaných datových sad. Algoritmus analyzuje vztahy mezi vstupními proměnnými a známými výstupy, aby mohl predikovat hodnoty u nových, dosud neviděných dat.
Mechanismus přenosu znalostí
Základním principem učení s učitelem (Supervised Learning) je existence tzv. "ground truth" – tedy sady správných odpovědí, které slouží jako reference během trénovacího procesu. V praxi to znamená, že každý datový bod ve vstupní sadě je opatřen štítkem (label). Algoritmus se snaží minimalizovat chybovou funkci (loss function), která vyjadřuje rozdíl mezi predikcí modelu a skutečnou hodnotou uvedenou v datech.
V průběhu iterativního procesu dochází k úpravě vnitřních parametrů modelu (vah). Tento proces je často realizován pomocí optimalizačních algoritmů, jako je gradientní sestup. Je důležité si uvědomit, že kvalita výsledného modelu je přímo závislá na kvalitě a reprezentativnosti trénovacích dat. Pokud jsou data zkreslená nebo obsahují příliš mnoho šumu, model nebude schopen správně generalizovat na reálné případy.
Důležitým aspektem je rozdělení dat na trénovací, validační a testovací sadu. Zatímco trénovací sada slouží k přímému učení, validační sada pomáhá ladit hyperparametry a předcházet problému zvanému overfitting (přeučení). Testovací sada pak poskytuje finální, nezaujaté hodnocení výkonnosti algoritmu. Pro hlubší pochopení struktury dat doporučujeme sekci Příprava dat.
Klíčové komponenty procesu:
- ■ Vstupní vektory (Features): Numerické reprezentace vlastností objektů.
- ■ Cílové proměnné (Labels): Hodnoty, které se model snaží naučit predikovat.
- ■ Chybová funkce: Matematický vzorec pro měření přesnosti predikce.
Dvě hlavní disciplíny
Klasifikace
Cílem je přiřadit vstupní data do jedné z předem definovaných kategorií (tříd). Příkladem může být rozpoznávání spamu v e-mailech nebo diagnostika onemocnění z lékařských snímků.
Klasifikace s NN →85%
průmyslových aplikací AI dnes využívá právě principy učení s učitelem pro svou vysokou spolehlivost a interpretovatelnost.
Standardní algoritmy
Lineární regrese
Nejjednodušší model pro hledání lineárních závislostí mezi proměnnými.
Support Vector Machines (SVM)
Efektivní pro vysocerozměrná data a binární klasifikaci.
Rozhodovací stromy
Intuitivní modely založené na hierarchickém větvení podmínek.
K-Nearest Neighbors (k-NN)
Klasifikace na základě podobnosti s nejbližšími sousedy v prostoru.
Chcete vidět, jak stroje objevují skryté vzorce bez nápovědy?
Zatímco učení s učitelem vyžaduje přesné štítky, existují metody, které pracují s neoznačenými daty. Prozkoumejte svět shlukování a redukce dimenzionality.
Přejít na Učení bez učitele