Przejdź do treści
PL

Lekcja 2 z 8 · 6 min · +100 XP

Jak maszyny uczą się z przykładów?

Uczenie maszynowe polega na pokazaniu komputerowi wielu opisanych przykładów, np. zdjęć oznaczonych „kot” albo „pies”. Podczas trenowania model jest dopasowywany, aż jego przypuszczenia zgadzają się z etykietami, a potem testuje się go na nowych przykładach, których nie widział. Im bardziej różnorodne dane treningowe, tym lepiej model radzi sobie w prawdziwych sytuacjach.

▶ Wypróbuj

Dlaczego to ważne

Model wie tylko to, co pokazały mu przykłady. Wybór różnorodnych, dobrze opisanych danych treningowych znaczy więcej niż dokładanie kolejnych takich samych.

W 6 minut nauczysz się

  • Uczenie maszynowe = opisane przykłady + trenowanie + test na nowych danych.
  • Różnorodne dane treningowe pomagają bardziej niż mnóstwo takich samych.
  • Błędne etykiety i brakujące przykłady zamieniają się w błędne odpowiedzi.

Co przećwiczysz

  1. Przepis

    Każdy model uczenia maszynowego powstaje tak samo.

    🗂️ Dane treningowe
    Zbiór przykładów, np. tysiące zdjęć zwierzaków. To wszystko, co model kiedykolwiek będzie wiedział.
    🏷️ Etykiety
    Poprawna odpowiedź dla każdego przykładu: „kot” albo „pies”. Zwykle dodają je ludzie, więc błędy w etykietach stają się błędami modelu.
    ⚙️ Trenowanie
    Model zgaduje, porównuje wynik z etykietą i poprawia się, raz za razem, aż jego przypuszczenia zwykle się zgadzają.
    🧪 Testowanie
    Na koniec sprawdza się go na nowych przykładach, których nie widział. Tak widać, czy nauczył się wzorca, czy tylko zapamiętał zdjęcia.

  2. Wytrenuj mały model

    Wybierz do 5 zdjęć treningowych i naciśnij Trenuj. Model sprawdzimy na 5 nowych zdjęciach.

    Kot · Pies

    Przykłady treningowe
    • Rudy pręgowany kot na kanapie → Kot
    • Drugi rudy pręgowany kot, śpi → Kot
    • Czarny kot w ciemnym pokoju → Kot
    • Malutki kociak z wielkimi oczami → Kot
    • Szary kot widziany od tyłu → Kot
    • Duży złoty pies na trawie → Pies
    • Drugi duży złoty pies, biegnie → Pies
    • Mały puszysty pies na kolanach → Pies
    • Szczeniak gryzie but → Pies
    • Pies stoi w śniegu → Pies
    Przypadki testowe
    • Czarny kot nocą → Kot
      W zbiorze treningowym nie było ciemnego kota, więc model nie wiedział, że koty mogą tak wyglądać.
    • Kociak w koszyku → Kot
      Kocięta wyglądają inaczej niż dorosłe koty. Bez przykładu kociaka model nie miał się na czym oprzeć.
    • Duży pies w parku → Pies
      Model nie widział dużego psa, więc nie połączył tego kształtu z „psem”.
    • Malutki pies w torebce → Pies
      Małe psy łatwo pomylić z kotami, jeśli model widział tylko duże.
    • Husky w głębokim śniegu → Pies
      Śnieżne tło było dla modelu nowe. Liczą się różne otoczenia, nie tylko różne zwierzęta.

  3. Czego się nauczyłeś/-aś?

    1. Noor może dodać 1000 zdjęć. Który zestaw najbardziej pomoże modelowi?

      • 1000 różnych zdjęć: różne rozmiary, kolory, wiek i miejsca (Odpowiedź)
      • 1000 kolejnych zdjęć rudych pręgowanych kotów

    2. Model ma 100% trafień na zdjęciach treningowych, ale słabo radzi sobie z nowymi. Co się stało?

      • Zapamiętał przykłady, zamiast nauczyć się wzorca (Odpowiedź)
      • Nowe zdjęcia muszą być źle opisane

    3. Pomocnik przez pomyłkę opisał kilka psów jako „kot”. Co to zmienia?

      • Model nauczy się też tych błędów (Odpowiedź)
      • Nic, model sam wychwyci błędy

Zapamiętaj

Model jest tak dobry jak jego przykłady. Różnorodność bije ilość.

Najważniejsze fakty

  • W artykule z 1959 r. informatyk Arthur Samuel opisał program do gry w warcaby, który nauczył się grać lepiej niż jego autor. To jeden z pierwszych kamieni milowych uczenia maszynowego. · Źródło: A. L. Samuel, Some Studies in Machine Learning Using the Game of Checkers, IBM Journal of Research and Development, 1959
  • Projekt ImageNet, którego opisane zdjęcia pomogły rozpocząć boom głębokiego uczenia, w pierwszym artykule opisał 3,2 mln obrazów oznaczonych przez internetowych pracowników crowdsourcingu. · Źródło: Deng et al., ImageNet: A Large-Scale Hierarchical Image Database, CVPR 2009
  • Klasyczny zbiór odręcznych cyfr MNIST dzieli obrazy na 60 000 treningowych i 10 000 testowych, więc modele ocenia się na cyfrach, których nigdy nie widziały. · Źródło: LeCun, Bottou, Bengio & Haffner, Gradient-Based Learning Applied to Document Recognition, Proceedings of the IEEE, 1998
  • Testowanie modelu na przykładach, których nie widział podczas trenowania, to standardowy sposób, by sprawdzić, czy nauczył się ogólnego wzorca, a nie zapamiętał dane treningowe.

Aktualizacja:

Częste pytania

Co to są dane treningowe?

Dane treningowe to zbiór przykładów, z których uczy się model uczenia maszynowego, np. opisane zdjęcia, teksty albo nagrania. Model może nauczyć się tylko wzorców, które są w tych danych.

Czym różni się uczenie nadzorowane od nienadzorowanego?

W uczeniu nadzorowanym każdy przykład ma poprawną odpowiedź, czyli etykietę, np. „kot”. W uczeniu nienadzorowanym etykiet nie ma, a model sam szuka w danych grup albo struktury.

Ile danych potrzebuje uczenie maszynowe?

To zależy od zadania. Proste zadania mogą działać na setkach przykładów, a duże modele korzystają z miliardów. Różnorodność i poprawne etykiety często znaczą tyle samo co ilość.

Co to jest przeuczenie modelu?

Przeuczenie (overfitting) to sytuacja, gdy model zapamiętuje przykłady treningowe, zamiast nauczyć się ogólnego wzorca. Na treningu wygląda idealnie, ale na nowych danych radzi sobie słabo.

Powiązane pojęcia