Понимание процесса вывода концепций классификации из необработанных данных

Машинное обучение - одна из важнейших областей искусственного интеллекта. Это рассматривалось как жизнеспособный способ избежать проблемы узких мест в знаниях при разработке систем, основанных на знаниях.

Индуктивное обучение, также известное как концептуальное обучение, - это то, как системы ИИ пытаются использовать обобщенное правило для проведения наблюдений.

Для создания набора правил классификации используются алгоритмы индуктивного обучения (API). Эти сгенерированные правила имеют формат «Если это, то то».

Эти правила определяют состояние объекта на каждой итерации в обучении и то, как обучение может быть эффективно изменено путем добавления дополнительных правил к существующему набору правил.

Когда выходные данные и примеры функции передаются в систему ИИ, индуктивное обучение пытается изучить функцию для новых данных.

Фундаментальная концепция индуктивного обучения

В реальном мире есть два метода получения знаний: первый - от экспертов в предметной области, а второй - с помощью машинного обучения.

Эксперты в предметной области не очень полезны и не надежны для больших объемов данных. В результате в этом проекте мы применяем подход машинного обучения.

Другой метод, использующий машинное обучение, воспроизводит логику «экспертов» в алгоритмах, но эта работа может быть очень сложной, трудоемкой и дорогостоящей.

В результате, вариант - это индуктивные алгоритмы, которые генерируют стратегию для выполнения задачи, не требуя инструкций на каждом шаге.

По словам Джейсона Браунли в своей статье «Основные концепции машинного обучения», отличный способ понять, как работает индуктивное обучение, - это, например, если нам даны входные образцы (x) и выходные образцы (f (x)) с точки зрения индуктивного обучения, и задача состоит в том, чтобы оценить функцию (f).

Затем необходимо сделать обобщение на основе выборок и сопоставления, чтобы его можно было использовать для оценки выходных данных для новых образцов в будущем.

На практике оценка функции почти всегда слишком сложна, поэтому мы ищем отличные приближения.

Вот несколько практических примеров индукции:

Оценка кредитного риска.

  • Х является собственностью клиента.
  • F (x) одобрен или нет.

Диагностика заболевания.

  • X - характеристики данного пациента.
  • F (x) - болезнь пациента.

Распознавание лиц.

  • X - это растровые изображения лиц, которые мы хотим распознать.
  • F (x) - это имя, присвоенное этому лицу.

Автоматическое рулевое управление (автономное вождение).

  • X - это растровые изображения с камеры перед автомобилем.
  • F (x) - это степень, на которую следует повернуть рулевое колесо.

заявка

Есть ситуации, когда индуктивное обучение - не лучшая идея. Очень важно понимать, когда и когда не следует использовать машинное обучение с учителем.

Индуктивное обучение может быть полезным в следующих четырех ситуациях:

  • Проблемы, в решении которых нет специалистов. Люди не могут написать программу для решения проблемы, если не знают ответа. Это области, созревшие для исследования.
  • Люди могут выполнить задачу, но никто не знает, как это сделать. Существуют ситуации, в которых люди могут делать то, что компьютеры не могут или не умеют делать хорошо. Два примера - езда на велосипеде или вождение автомобиля.
  • Проблемы, при которых желаемая функция часто меняется. Люди могли бы описать ее и написать программу для ее решения, но проблема меняется слишком часто. Это не экономично. Фондовый рынок - один из примеров.
  • Проблемы, при которых каждому пользователю требуется уникальная функция. Написание собственной программы для каждого пользователя не является рентабельным. Обратите внимание на рекомендации Netflix или Amazon по фильмам или книгам.

В последние годы увеличилось количество исследований индуктивного обучения и его приложений в различных областях.

Концептуальное обучение - это наиболее распространенное применение индуктивного обучения.

Цель изучения концепций - найти символические описания, выраженные в терминах высокого уровня, понятных людям.

Ниже приводится определение концепции обучения:

  • Предоставляется набор (положительных и отрицательных) примеров концепции и, возможно, некоторые базовые знания.
  • Общее описание (гипотеза) концепции описывает все положительные примеры, но ни один из отрицательных.

MARBLE, основанная на знаниях система искусственного интеллекта (ИИ), была разработана для оценки рискованности соискателей бизнес-кредитов.

В документе «Применение индуктивного обучения для улучшения экспертных систем, основанных на знаниях» описывается использование индуктивного обучения в MARBLE, экспертной системе, основанной на знаниях, разработанной для помощи в оценке бизнес-кредитов. МРАМОР уникален тем, что может учиться.

Таким образом, система искусственного интеллекта использует правила вывода для моделирования мыслительного процесса кредитного офицера при оценке запроса на ссуду, генерируя правила принятия решений о выдаче ссуды на основе исторических и предварительных финансовых данных.

В этой статье представлен метод обучения для создания решающих правил из обучающих примеров.

В статье «Индуктивное обучение для классификации рисков» авторы обсуждают применение индуктивного обучения к анализу кредитного риска, приложение в аналогичной области.

Авторы обращаются к трем вопросам классификации рисков:

  • Оценка бизнес-кредита
  • Бонд-рейтинг
  • Прогноз банкротства

Обсуждается, как использовать ранее упомянутую систему Marble, систему поддержки принятия решений, основанную на знаниях, которая использует около 80 правил принятия решений для оценки коммерческих кредитов.

В статье описывается аспект Marble, который использует индуктивное обучение для классификации финансовых рисков, и обсуждается эффективность этого метода.

Другой пример, который мы можем найти в статье «О применении инструментов индуктивного машинного обучения к географическому анализу», посвящен роли индуктивного машинного обучения в географическом анализе.

Представленное обсуждение не основано на сравнительных результатах или математических описаниях, а скорее основано на том, как различные подходы к индуктивному обучению различаются функционально, описывая:

  • Как пространство функций разделено или кластеризовано.
  • Для поиска подходящих решений используются механизмы поиска.
  • Различные предубеждения, накладываемые каждой техникой.

Затем при рассмотрении сложных пространств географических объектов подробно описываются последствия этих проблем.

Общая цель состоит в том, чтобы обеспечить основу для разработки надежных методов индуктивного анализа, а не полагаться на разрозненные или случайные эксперименты с различными рабочими критериями, которые требуются инструментам индуктивного обучения.

Индуктивное обучение также использовалось в образовании. Например, поскольку глобальное образование позволяет студентам получать образование от нескольких поставщиков образования через различные программы обмена учебными материалами, возникает необходимость сравнения доступных учебных курсов в зарубежных учебных заведениях с курсами по учебной программе учебного заведения, по которым присваивается степень.

Эта проблема требует ручного сравнения курсов, что может занять много времени и требует от высококвалифицированных специалистов избегать сравнения, что приводит к поверхностному интуитивному суждению и, как следствие, к проблемам несовместимости курсов.

В исследовании «Интерактивное индуктивное обучение: применение в сфере образования» представлен метод использования интерактивного индуктивного обучения, поддерживаемый корпоративным моделированием, как способ поддержки механизмов, которые могут помочь сэкономить время и усилия в учебном курсе. сравнение.

Поскольку алгоритмы индуктивного обучения не зависят от предметной области, их можно использовать в любой задаче классификации или распознавания образов.

Некоторые приложения семейства правил индукционных алгоритмов к визуальному контролю представлены в документе, озаглавленном «Приложения индуктивного обучения к автоматизированному визуальному контролю».

Основная ценность использования индуктивного обучения для визуального контроля, по мнению авторов Мехмета Сабиха Аксоя, Орхана Торкула, Абдуллы Альмудимига и Исмаила Х. Чедимоглу:

  • У систем нет проблем с ориентацией, которые имеют решающее значение при обработке цифровых изображений.
  • Поскольку правила представляют шаблон, нет необходимости хранить его в графической форме в памяти. В результате этого экономится место в памяти.
  • Поскольку количество условий в каждом правиле и общее количество правил незначительно, решение может быть принято быстро.
  • Поскольку эти системы не очень сложные, для них проще разработать программное обеспечение и аппаратное обеспечение.

Заключение

В случаях, когда традиционные статистические подходы терпят неудачу из-за проблем с масштабируемостью и гибкостью, инструменты индуктивного машинного обучения, такие как нейронные сети и деревья решений, предоставляют альтернативные методы классификации, кластеризации и распознавания образов, которые теоретически могут распространяться на сложные или «глубокие». »Наборы данных, которые пронизывают географию.

Алгоритмы индуктивного обучения не зависят от предметной области и могут применяться в любой задаче, требующей классификации или распознавания образов.

В последние годы увеличилось количество исследований по индуктивному обучению и его приложениям в различных областях. В результате этого исследования появилось несколько хороших алгоритмов. За этим стоит присмотреться.

Еще кое-что…

Если вы хотите продолжить свое обучение, я подготовил для вас потрясающий список из более чем 60 учебных курсов по искусственному интеллекту, машинному обучению, глубокому обучению и науке о данных, которые вы можете пройти прямо сейчас бесплатно:

Если вы хотите и дальше открывать для себя новые ресурсы и узнавать об искусственном интеллекте, в моей электронной книге (ссылка ниже) я делюсь лучшими статьями, веб-сайтами и бесплатными онлайн-курсами обучения по искусственному интеллекту, машинному обучению, глубокому обучению, науке о данных. , Business Intelligence, Analytics и др., Которые помогут вам начать учиться и развивать свою карьеру.

Изучите ИИ онлайн: более 200 ресурсов в Интернете, чтобы начать изучать ИИ

Кроме того, я только что опубликовал другие интересные электронные книги на Amazon, и я уверен, что некоторые из них могут быть вам интересны ... давай будем поддерживать связь, подписываемся на меня и давай сделаем это вместе.

Ресурсы

Я баллотируюсь на премию Top Leaders in Technology по версии журнала AI Magazine.

Если хотите, можете номинировать меня как влиятельного человека в сфере высоких технологий в список 100 лучших лидеров журнала AI.

Окончательный список будет объявлен на предстоящем мероприятии Technology & AI LIVE 14 сентября - пожалуйста, назначьте меня сейчас: https://ow.ly/LrWu50FbpaZ