4. מהי למידת מכונה AI, וכיצד היא חלה על סיווג ענן נקודות?

למידת מכונה היא סוג של AI המשתמשת בנתונים ובאלגוריתמים כדי לחקות את הדרך שבה בני אדם לומדים. באמצעות תהליך של אימון, ML משפר בהדרגה את הדיוק שלו. בעיבוד נתונים קונבנציונלי, מפתחי תוכנה משתמשים בשפת תכנות כדי להעביר הוראות למחשב. תוכניות מחשב חייבות להיות מדויקות מבחינה סמנטית ותחבירית. הסיבה לכך היא שרוב המחשבים כיום אינם יכולים להסיק את כוונתו של מתכנת. הם עוקבים אחר קוד בשורה אחת, בדיוק כפי שהמתכנת כתב אותו.

לעומת זאת, ML מספק דרך למחשבים לבצע משימות מבלי להיות מתוכנתים לעשות אותן. זה מאפשר למחשבים "ללמוד" לבצע משימות באמצעות חזרה. מערכות המשתמשות ב-ML יכולות ללמוד לבצע משימות בצורה טובה יותר בהדרגה באמצעות חזרה.

למידת מכונה מתאימה היטב ל-3 סוגים של משימות

• זה מתאים היטב למצבים שבהם תכנות מסורתי דורש כוונון מקיף או יצירה של רשימות ארוכות של כללים.

• זה שימושי גם בסביבות המשתנות לעתים קרובות, כמו מיקום מדפי תצוגה לקידום מכירות בחנות קמעונאית. למערכת ML קל יותר להסתגל לנתונים חדשים מאשר למתכנת לשנות קוד בכל פעם שהסביבה משתנה.

• זהו כלי רב עוצמה לגילוי תובנות בלתי צפויות במערכי נתונים גדולים.

למידת מכונה מתרחשת ב-3 דרכים

מחשבים לומדים לסווג ענני נקודות (או לבצע כמעט כל תהליך ML אחר) באמצעות 3 שיטות:

• למידה מפוקחת

• למידה ללא פיקוח

• למידה בפיקוח למחצה

עם למידה מפוקחת, מחשב משתמש בנתונים מסומנים כדי לאמן את אלגוריתמי ה-ML שלו. המטרה היא שהמחשב יראה כל כך הרבה וריאציות של דפוס שהוא יכול לזהות את הדפוס גם כשהמחשב נתקל בתמונה שלא נראתה מעולם.

בסיווג ענן נקודתי, מערכת ML לומדת מהחשיפה שלה לענני נקודות קודמים שסווגו באופן ידני. ענני הנקודות הקודמים משמשים כנתוני אימון. מערכת ה-ML משתמשת בידע הזה כדי לסווג ענני נקודות חדשים. היכולת המתקבלת נקראת מסווג ענן נקודות.

בלמידה ללא פיקוח, מערכת ML לומדת מבלי לראות תחילה נתוני אימון. השיטה יכולה להיות שימושית כאשר אתה רוצה שמערכת ML תגלה דפוסים נסתרים בנתונים.

לדוגמה, מערכות ML עוקבות אחר עסקאות בכרטיסי אשראי בזמן אמת, ומבקשות לסמן עסקאות שעלולות להיות הונאה. הם יכולים למצוא דפוסי הונאה בעסקאות שמעולם לא ראו קודם לכן.

כפי ששמה מרמז, למידה בפיקוח למחצה היא הכלאה של שיטות מפוקחות ובלתי מפוקחות. למידה מפוקחת למחצה היא גישה ללמידת מכונה המשלבת כמות קטנה של נתונים מסומנים עם כמות גדולה של נתונים לא מסומנים במהלך האימון.

למידת מכונה מאפשרת סיווג ענן נקודות באמצעות סדרה של 5 שלבים המשותפים לכל ML:

• איסוף נתונים

• ניקוי נתונים

• הגדרת המודל והפרמטרים שלו

• אימון ובדיקת המודל וחיזוי התפוקה

עבור סיווג ענן נקודות, תהליך האימון משתמש במודל למידה מפוקח. הגדרת הפרמטרים היא מרכיב חיוני של ML בפיקוח. יש לו 2 מטרות:

• להכין את מערך הנתונים שישמש כקלט עבור אלגוריתמי ה-ML

• כדי לשפר את הביצועים לאורך זמן על ידי התאמתם

הפרמטרים חשובים מכיוון שהם הופכים קלט נתונים לאלמנטים שמודל יכול להבין. עבור מודל סיווג ענן הנקודות.