Машинное обучение

Модуль машинного обучения позволяет управлять и использовать обучаемые модули, которые применяют различные алгоритмы обучения с учителем для анализа машинных данных, классификации временных рядов, прогнозирования трендов и выявления аномалий.

Когда другие инструменты обработки данных AggreGate совместно используются для расширенной подготовки наборов данных, обучаемые модули становятся ключевым элементом для решения практических задач, таких как предиктивное обслуживание, повышение операционной эффективности, улучшение контроля качества, обнаружение угроз или персонализация клиентского опыта.

Задачи машинного обучения обычно делятся на две основные категории: обучение с учителем и обучение без учителя.

  • Обучение с учителем требует размеченного набора данных, который используется для обучения модели машинного обучения. Метка - это значение целевой переменной (переменной, которая считается зависимой от одной или нескольких независимых переменных, также называемых признаками или атрибутами), которое модель принимает в качестве эталонного значения.

  • Обучение без учителя не требует размеченных данных и используется для выявления структуры во входных данных.

Модуль машинного обучения платформы AggreGate  разработан для решения трех основных типов задач машинного обучения с учителем: регрессия, классификация и обнаружение аномалий.

Регрессия

Регрессия - это задача машинного обучения, в которой предсказываемая переменная является действительным числом.

Типичным примером задачи регрессии является  предварительная оценка стоимости дома на основе нескольких пизнаков, таких как жилая площадь, количество комнат и этажей, район города и т.д.

Классификация

При классификации выходные значения делятся на два или более классов. Задача заключается в отнесении новых входных данных к одному или нескольким из этих классов.

Примером классификации может служить задача по определению, содержит ли картинка текст (пример бинарной классификации), или задача оптического распознавания символов (многоклассовая классификация).

Обнаружение аномалий

Обнаружение аномалий можно рассматривать как одноклассовую классификацию. Модель машинного обучения учится на наборе данных, содержащем только не аномальные ("нормальные") данные, а затем используется для предположения аномальности нового экземпляра данных. Иногда одноклассовая классификация считается задачей машинного обучения без учителя, так как все метки в обучающем наборе одинаковые ("нормальные") и становятся в определенном смысле ненужными.

Обучаемый модуль

Экземпляр контекста машинного обучения называется обучаемым модулем. Обучаемый модуль предоставляет функции и действия, необходимые для построения и оценки качества модели машинного обучения.

Каждый пользователь имеет свой собственный набор обучаемых модулей.

Администрирование обучаемых модулей

Два контекста используются для администрирования обучаемых модулей: один - это общий контекст машинного обучения, который служит контейнером. Другой -это контекст обучаемого модуля, который содержит информацию для отдельного обучаемого модуля.

Was this page helpful?