Машиналық оқыту негіздеріне кіріспе

1.

ӘЛ-ФАРАБИ АТЫНДАҒЫ ҚАЗАҚ
ҰЛТТЫҚ УНИВЕРСИТЕТІ
АҚПАРАТТЫҚ ТЕХНОЛОГИЯЛАР
ФАКУЛЬТЕТІ
Компьютерлік ғылымдар кафедрасы
ЖАОК

2.

I модуль. Машиналық оқыту негіздеріне кіріспе
1-дәріс. Машиналық оқытуға кіріспе.
Мұғаліммен және Мұғалімміз оқытулар.

3.

Жоспар:
1. Кіріспе
2. Мұғаліммен оқыту
3. Мұғаліммсіз оқыту
4. Объектінің белгілік сипатталуы
5. Мысалдар
6. Пайдаланылған әдебиеттер тізімі

4.

Кіріспе
Қажетті анықталамар, қарапайым тілде
• Жасанды интеллект (Artificial intelligence) – негізгі мақсаты
«ақылды машиналар» мен «ақылды бағдарламалар» жасау
болып табылатын ғылым мен техниканың бір бөлігі.
• Үлкен деректер (Big data) – бір машинада өңдеу мүмкін емес
үлкен дереткер массивтерімен жұмыс жасайтын әдістер мен
тәсілдер.
• Деректер ғылымы (Data science) - деректерді талдау, өңдеу және
ұсыну туралы ғылым.

5.

• Жасанды нейрондық желі (Artifical neural network) - машиналық
оқытудың алгоритмдер класы.
• Тереңнен оқыту (Deep learning) – нейрондық желілерді
зерттейтін машиналық оқытудың бір бөлімі
• Классикалық машиналық оқыту, машиналық оқытудың
классикалық алгоритмдері – нейрондық желі бөлімі жоқ
машиналық оқыту.
• Машиналық оқыту (Machine learning) – «оқытылатын»
алгоритмдерді құру негізгі мақсаты болып табылатын жасанды
интеллектің бір бөлімі.

6.

Машианлық оқыту қалай жұмыс жасайды?
Бағдарламаны (алгоритмді) – адам жазбайды. Адам модельді
таңдайды және модельге деректерді береді, содан кейін модель
оқытылады және алгоритмді береді.
Математиканың байланысты бөлімдері:
• Сызықтық алгебра
• Математикалық статистика
• Оптимизациялау әдісітері

7.

Машиналық оқытудың түрлері:
• Мұғаліммен оқыту (бақыланатын оқыту)
• Мұғалімсіз оқыту (бақыланбайтын оқыту)
• Күшейтілген оқыту (reinforcement learning)
• ...

8.

Мұғаліммен оқыту (supervised learning)
• X – генеральды жиынтық. Әлемде бар барлық объектілер (шексіз де
бола алады)
• Y- барлық жауаптар жинынтығы болсын.
• Бізде қолымызда бар:
• X - нақты объектілердің ішкі жиынтығы, таңдамасы,
• N- ондағы объектілердің саны,
• Y - біздің таңдамамыздағы жауаптар, әрбір X - тен алынған элементке
бір Y жауап сәйкес келеді.
• Біздің мақсатымыз берілген объектіге жауапты есептейтін алгоритм
құрастыру. Оны келесі функционалдық заңдылықпен бейнелейік:
ˆ Yˆ
f :X

9.

Мұғалімсіз оқыту (unsupervised learning)
• Бізде жауаптар жоқ
• Біздің мақсатымыз берілген объектілердің арасындағы қандайда
бір өзара байланыстарды анықтау, табу.

10.

Объектінің белгілік сипатталуы
• Өмірдегі объектілермен оларды математикалық түрде
сипаттамай жұмыс жасау өте қиын. Ол сипаттаулар үшін біз
белгілерді (объектінің атрибутын) қолданамыз.
• Біз кез келген генеральды жиынтықтан алынған i- ші
объектінің j-ші сипаттамасын өлшей аламыз және оны
f j ( Xˆ i ) xij
келесідей жазамыз:
• Біздің деректер жиынтығының M объектінің сипаттамаларын
өлшеп X матрицасын аламыз:

11.

12.

• X белгілер матрицасы деп аталады.
• Бізде объектілер жиынтығы бар болса, онда
бізде белгілер матрицасы бар деп есептейміз.
• Ағылшын тілінде көптеген кітаптарда “The
features matrix” деп айтылады.

13.

f j : Xˆ i D j белгілерінің түрлері:
|D|={0,1} – бинарлы (екілік) белгі (ер адам, әйел адам)
|D|< inf, категориялық белгілер(ауа райы: күншуақты, желді, бұлтты)
|D|< inf, категориялық белгілер, сонымен қосы олардың арасында реттік
қатынастар бар (білім деңгейлері: орта, жоғары, әскери атақтар)
|D|=R сандық белгілер (бойдың ұзындығы, салмақ, қысымның деңгейі т.б.)

14.

Мұғаліммен оқыту есебінің түрлері
Классификация
Регрессия
|Y|<inf
• Y|={+1,-1} – бинарлы
классификация
• |Y|={1,2,3,…,K} - K класқа
жіктеу, К- классификация, әр
объект тек бір классқа тиісті.
• |Y|={0,1}