Типи машинного навчання

Supervised Learning — навчання з учителем

Навчання з учителем — найпоширеніший тип ML. Суть: модель отримує набір прикладів, де кожен приклад містить ознаки (вхідні дані) та правильну відповідь (мітку). Модель навчається знаходити зв'язок між ознаками та відповіддю.

Аналогія: студент розв'язує задачі з підручника, де наприкінці є відповіді. Він перевіряє свої рішення, аналізує помилки та покращує свій підхід.

Регресія

Регресія — це задача передбачення числового значення. Прикладами є:

• Передбачення ціни квартири за її характеристиками.
• Прогноз температури на завтра.
• Оцінка часу доставки замовлення.

Класифікація

Класифікація — це задача присвоєння об'єкту категорії (класу). Прикладами є:

• Визначення, чи є email спамом (дві категорії: спам / не спам).
• Розпізнавання цифри на зображенні (10 категорій: 0-9).
• Діагностика захворювання за симптомами.

@startuml
skinparam style plain
skinparam backgroundColor #FFFFFF
skinparam packageBackgroundColor #F8FAFC
skinparam packageBorderColor #64748B

package "Supervised Learning\n(Навчання з учителем: розмічені дані)" #DBEAFE {
  rectangle "Регресія\n• Прогноз цін, трендів\n• Неперервні числа" as R1
  rectangle "Класифікація\n• Спам / не спам\n• Розпізнавання образів" as R2
}

package "Unsupervised Learning\n(Без учителя: нерозмічені дані)" #DCFCE7 {
  rectangle "Кластеризація\n• Сегментація клієнтів\n• Групування новин" as U1
  rectangle "Зниження розмірності\n• Стиснення ознак, PCA\n• Пошук аномалій" as U2
}

package "Reinforcement Learning\n(Навчання з підкріпленням: агент і середовище)" #FEF3C7 {
  rectangle "Політика та нагороди\n• Агент виконує дію (Action)\n• Середовище дає фідбек (Reward)" as RL1
  rectangle "Сфери застосування\n• Ігрові системи (AlphaGo)\n• Робототехніка, автопілоти" as RL2
}

@enduml

Unsupervised Learning — навчання без учителя

Навчання без учителя — модель отримує дані без правильних відповідей і самостійно шукає в них патерни, групи та аномалії.

Аналогія: вам дали коробку з сотнями різнокольорових кульок різного розміру, не пояснивши, як їх сортувати. Ви самостійно помічаєте, що деякі кульки схожі за кольором, інші — за розміром, і починаєте групувати їх за виявленими ознаками.

Кластеризація

Кластеризація — найпоширеніша задача unsupervised learning. Модель групує об'єкти за схожістю, не знаючи заздалегідь, які групи існують. Прикладами є:

• Сегментація клієнтів за поведінкою покупок.
• Групування новин за тематикою.
• Виявлення аномальних транзакцій (які не схожі на жодну групу).

Reinforcement Learning — навчання з підкріпленням

Навчання з підкріпленням — принципово інший підхід. Тут немає готових даних із відповідями. Натомість агент (agent) взаємодіє із середовищем (environment), виконує дії та отримує нагороди (rewards) або штрафи (penalties). Мета — навчитися стратегії, що максимізує сумарну нагороду.

Аналогія: дитина вчиться ходити. Ніхто не показує їй «правильні рухи» — вона пробує, падає, отримує «штраф» (біль), пробує інакше, тримає рівновагу, отримує «нагороду» (успіх) і поступово освоює навичку.

Приклади:

• AlphaGo (DeepMind) — навчилася грати в Го, перемігши чемпіона світу.
• Автопілот — навчається керувати автомобілем у симуляторі.
• Робототехніка — роботи навчаються маніпулювати об'єктами.

Порівняння типів навчання

Практичні завдання

Для кожної задачі визнач тип машинного навчання та поясни чому:
[вставте список]

Запитання для самоконтролю