8. tétel

Question 1

A gépi tanulás fajtái

Answer 1

Tanulás tapasztalat alapján:
* Megerősítéses tanulás (reinforcement learning, RL)
Tanulás adatokból:
* Felügyelt (ellenőrzött, supervised) tanulás
* Félig felügyelt (semi supervised) tanulás
* Nem felügyelt (nem ellenőrzött, unsupervised) tanulás

Question 2

Tanulás adatokból: a tanulás általános folyamata

Answer 2

▪ Tanulás adatokból:
* a hisztorikus adatokban korábbi tudás, tapasztalat rejtőzik
▪ Adatbányászat: rejtett minták és összefüggések keresési
folyamata nagy adatbázisokban

Ciklikus folyamat, melynek részei:
1. Témakör „felfedezése”: A domain, a rendelkezésre álló
ismeretek és a célok megértése
2. Adatok előkészítése
adatok gyűjtése, migrálása jellemzők szelektálása adattisztítás
adattranszformáció,stb..
3. Modellek kiválasztása és tanítása
4. Modellek kiértékelése és finomítása
5. Modellek értelmezése, használata
6. Felfedezett tudás fejlesztése és megszilárdítása

Question 3

Felügyelt tanulás, lépései

Answer 3

Felügyelt tanulás: Rendelkezésre áll egy tréning (tanító) adathalmaz olyan példákkal, amely a feladat megoldására vonatkozó közvetlen információkat tartalmaznak.
* Tréning adathalmaz: ismert a bemenet + ismert a kimenet
▪ Tréning: a tanulás folyamata a rendelkezésre álló minták alapján
▪ Tulajdonságvektor: A tréningadatokból kinyert jellemző tulajdonságértékek, amiket felhasználunk a tanuláshoz.
* Pl: Hallgató: évfolyam, kreditátlag, szak, nem [2, 4.5, Mérnökinfó, férfi]

▪ Felügyelt tanulás lépései:
1. Modell generálása (tanulása) a rendelkezésre álló tanítóhalmazból.
* Gyakran iteratív folyamat a modell folyamatos kiértékelésével.
2. Az elkészült modell felhasználása az új esetek besorolására/értékek előrejelzésére.

Question 4

A felügyelt tanulás lehet

Answer 4

Osztályozás: diszkrét értékkészletű, ismeretlen attribútumok értékének meghatározása a tulajdonságvektorokban tárolt értékek alapján
o Pl: Jósoljuk meg, hogy egy hallgató hányast kap MI-ből!
* Egyosztályos tanulás: A feladat eldönteni, hogy a minta beletartozik-e az osztályba.
* Kétosztályos tanulás: Ismeretlen mintáról kell eldönteni, hogy 2 osztály közül melyikbe tartozik.
* Többosztályos tanulás: 𝑁 > 2 véges számú osztálycímke van, az ezekkel ellátott osztályokba kell besorolni a mintát.

Regresszió: folytonos változó értékének „megjóslása”
* Pl: Jósoljuk meg a BUX index holnapi záróárfolyamát!
Vagy: Jósoljuk meg, hogy jövőre mennyit ér egy Veszprémi 2.
emeleti 62 m2-es téglalakás a Cholnokyn!

Question 5

Osztályozás döntési fa indukcióval

Answer 5

▪ Döntési fa
* Belső csomópont: attribútumon történő teszt
* Él: a teszt kimenete
* Levél: osztály címkéje, vagy osztály eloszlása
▪ Döntési fa generálásának 2 fázisa
* Fa konstruálása
o Start: minden tréning példa az all élhez tartozik
o A példák rekurzív partícionálása a kiválasztott
attribútumok alapján
* Fa nyesése
o Túlillesztés elkerülése: a zajokhoz és kívülálló esetekhez
kapcsolódó ágak lenyesése o Előnyesés: a fa konstruálása
során
o Utónyesés: a fa teljes megnővesztését követően

Question 6

Naϊve Bayes osztályozó

Answer 6

• Statisztikai számítások alapján dönti el, hogy az osztályozandó új eset melyik osztályba tartozik.
  o a statisztikákat a tanuló minta alapján számolja
  o feltételes valószínűség
  o feltétel nélküli valószínűség
• Az új esetet abba az osztályba sorolja, amelybe a statisztika alapján nagyobb valószínűséggel tartozik.
• Alkalmazásának feltétele: az esetet leíró tulajdonságok függetlenek egymástól (függetlenségi hipotézis)
• Alkalmazásához meg kell ismernünk:
  o Feltételes és feltétel nélküli valószínűség
  o Bayes szabály

feltétel nélküli valószínűség (prior valószínűség):
* 𝑃(𝐻): az a meggyőződési mérték, amely bármely más információ hiányában a 𝐻 esemény igaz voltának valószínűsége
feltételes valószínűség (posterior valószínűség):
* 𝐻 esemény 𝐴 eseményre vonatkozó feltételes valószínűsége: azt fejezi ki, hogy ha tudjuk, hogy az 𝐴 esemény bekövetkezett, milyen valószínűséggel következik be a 𝐻 esemény

Bayes szabály (tétel):
𝑃(𝐻|𝐴) =(𝑃(𝐴|𝐻)*𝑃(𝐻))/P(A), 𝑃(𝐴)≠0

Question 7

A túltanulás jelensége

Answer 7

Túltanulás: az ML modell túlságosan a tréning halmazra illesztett, nem eléggé általános

Question 8

Nem felügyelt tanulás

Answer 8

Csoportosítás (klaszterezés) : objektumok csoportokba sorolása a hasonlóságuk alapján
* az egy csoportbeli objektumok hasonlóak egymáshoz, de különböznek a többi
csoportbeli objektumoktól
▪ Gépi tanuló algoritmusok által azonosítunk csoportokat.
* Pl: Szeretnénk azonosítani a hasonló szokásokkal rendelkező személyek csoportjait
o Pl: személyek csoportosítása a tanulási szokások alapján
▪ Nincs a csoportokra vonatkozó előzetes információ!
▪ Hogyan definiálhatók a csoportok? * Mely tulajdonságok szeparálnak?
* Adjunk hasonlósági függvényt

Question 9

A k-means algoritmus

Answer 9

k-means algoritmus: legismertebb csoportosító algoritmus
Adott: 𝑘
1. Válaszunk ki a térben 𝑘 darab tetszőleges csoportközéppontot (centroid).
2. Rendeljük az objektumokat a legközelebbi centroidhoz.
3. Számítsuk ki minden csoportra az új csoportközéppontot.
4. Vissza a 2. lépéshez, addig amíg van újabb átsorolás, vagy elérjük a maximális iterációszámot

Question 10

Félig felügyelt tanulás

Answer 10

A felügyelt és nem felügyelt tanulás kombinációja, amikor csak kevés tréning adat tartalmaz közvetett információt a megoldásra vonatkozóan, az adatok nagy része nem tartalmaz információt

Question 11

neuron, működési elve

Answer 11

Neuronok: egymáshoz kapcsolódnak és egymás közt információátadást végeznek
* A neuronok közti információátadás szinapszisokon keresztül történik.
* Dendrit: az impulzusokat fogadják
* Sejttest: részt vesz a műveletek elvégzésében
* Axon: az eredmény továbbítása

Neuron:
▪ jellemzően több bemenetű
▪ jellemzően egy kimenetű eszköz
▪ a bemenetek és a kimenet között
általában valamilyen nemlineáris leképezést valósít meg (transzfer függvény)
▪ rendelkezhet lokális memóriával, melyben tárolhatja:
* bemeneti értékek
* kimeneti értékek
* működés előéletére vonatkozó állapotinformációk

Question 12

Neurális hálózat

Answer 12

Neurális hálózat: az a hardver vagy szoftver megvalósítású párhuzamos, elosztott működésre képes információfeldolgozó eszközt, amely:
* azonos, vagy hasonló típusú – általában nagyszámú – lokális feldolgozást végző műveleti elem, neuron többnyire rendezett topológiájú, nagymértékben összekapcsolt rendszeréből áll (processing element, neuron)
* rendelkezik tanulási algoritmussal (learning algorithm)
* rendelkezik a megtanult információ felhasználását lehetővé tevő információ előhívási algoritmussal (recall algorithm)
Fajtái:
▪ Előrecsatolt neurális hálózat (feed-forward neural network, FFN): a topológiáját reprezentáló irányított gráf nem tartalmaz hurkot
▪ Teljesen összekötött hálózat: egy adott réteg minden kimenete kapcsolódik a következő réteg összes neuronjához

Question 13

Neurális hálózatok tanítása

Answer 13

• Tanítási fázis:
  o adottak a tanítóminták: ismert bemenetekkel és várt
  kimenetekkel
  o cél: a hálózat súlyainak megtanulása
• Predikciós fázis: a betanított hálózat alkalmazása új minták
  kimenetének megbecsülésére
  o Pl.: javaslat osztályba tartozásra

Question 14

Mélytanulás

Answer 14

Olyan neurális hálózat használata, amely számos réteget tartalmaz
* jellegzetesen egymásra halmozott különböző típusú
neuronrétegek
* változatos elágazások
▪ A hálózatok mélységének növekedésével nő az absztrakciós képesség:
* Elviekben bizonyítható, hogy 2 rejtett réteggel minden feladat
megoldható, DE
o Ez csak akkor igaz, ha végtelen nagy neuronhálónk,
végtelen sok tanítómintánk, és globális optimumot adó
tanítóalgoritmusunk van!
* Véges neuronszám mellett hatékonyabb a neuronokat több
olyan rétegbe szervezni, melyek kevesebb neuront
tartalmaznak

Question 15

Megerősítéses tanulás és fajtái

Answer 15

Megerősítéses tanulás: aktív és passzív megerősítéses tanulás
Megerősítéses tanulás (Reinforcement Learning): a tanulás a döntésre/akcióra vonatkozó visszacsatolás alapján történik.
* Visszajelzés: jutalom/büntetés egy szám formájában
* Cél: a várható jutalmak maximalizálása
o robot mozgása
o ágens fejlesztése egy ismeretlen játékhoz
o sakk: kiértékelő függvény tanulása
▪ Aktív megerősítéses tanulás:
* nincs rögzített stratégia
* meg kell tanulni, hogy melyik állapotban mi a helyes stratégia
* Cél: optimális, vagy közel optimális stratégia megtalálása az
adott környezetben
▪ Passzív megerősítéses tanulás:
* az ágens 𝜋 stratégiája rögzített, az 𝑠 állapotban mindig a 𝜋(𝑠)
cselekvést hajtja végre * Cél: az állapotok hasznosságának
megtanulása
o Pl.: sakk