{"id":3409,"date":"2023-08-24T12:59:23","date_gmt":"2023-08-24T10:59:23","guid":{"rendered":"https:\/\/staging.qtravel.ai\/?p=3409"},"modified":"2024-03-08T09:13:54","modified_gmt":"2024-03-08T08:13:54","slug":"uczenie-maszynowe-definicja-rodzaje-i-przyklady-zastosowania","status":"publish","type":"post","link":"https:\/\/www.qtravel.ai\/pl\/blog\/uczenie-maszynowe-definicja-rodzaje-i-przyklady-zastosowania\/","title":{"rendered":"Uczenie maszynowe: Definicja, rodzaje i przyk\u0142ady zastosowania"},"content":{"rendered":"

Uczenie maszynowe to termin, z kt\u00f3rym z pewno\u015bci\u0105 niejednokrotnie si\u0119 ju\u017c spotkali\u015bcie. Ale czy wiecie, co dok\u0142adnie si\u0119 za nim kryje i czym r\u00f3\u017cni si\u0119 od innych podobnych poj\u0119\u0107, takich jak sztuczna inteligencja czy g\u0142\u0119bokie uczenie? W tym artykule postaramy si\u0119 w prosty i zrozumia\u0142y spos\u00f3b przybli\u017cy\u0107 Wam t\u0119 technologi\u0119, a do tego wyja\u015bni\u0107, jak dzia\u0142aj\u0105 poszczeg\u00f3lne techniki uczenia maszynowego.<\/span><\/p>\n

Zaczynamy!<\/span><\/p>\n

Czym jest uczenie maszynowe?<\/span><\/h2>\n

Uczenie maszynowe (ang. Machine Learning) to poddziedzina sztucznej inteligencji, kt\u00f3ry jak sama nazwa wskazuje – koncentruje si\u0119 na nauczaniu maszyn, a dok\u0142adniej – komputer\u00f3w okre\u015blonych czynno\u015bci w spos\u00f3b podobny do tego, jak ucz\u0105 si\u0119 ludzie.<\/span><\/p>\n

Technologia ta polega na dostarczaniu wiedzy komputerom w postaci danych, obserwacji i interakcji ze \u015bwiatem, a nast\u0119pnie odnajdywaniu przez nie okre\u015blonych wzorc\u00f3w i cech. W tym celu systemy uczenia maszynowego mog\u0105 wykorzystywa\u0107 szereg algorytm\u00f3w, takich jak <\/span>sieci neuronowe<\/span><\/a> czy klasteryzacj\u0119 (patrz: s\u0142owniczek).<\/span><\/p>\n

Co wa\u017cne, proces uczenia maszynowego algorytm\u00f3w polega na zdolno\u015bci komputer\u00f3w do automatycznego znajdowania odpowiednich wzorc\u00f3w i korelacji w przetwarzanych danych oraz podejmowania najlepszych decyzji na tej podstawie.<\/span><\/p>\n

Jaka jest r\u00f3\u017cnica pomi\u0119dzy sztuczn\u0105 inteligencj\u0105 a uczeniem maszynowym?<\/span><\/h2>\n

Uczenie maszynowe cz\u0119sto jest b\u0142\u0119dnie uto\u017csamiane ze sztuczn\u0105 inteligencj\u0105. A jaka jest r\u00f3\u017cnica? Czas rozwia\u0107 t\u0119 zagadk\u0119.<\/span><\/p>\n

W du\u017cym uproszczeniu, <\/span>sztuczna inteligencja<\/span><\/a> (ang. Artificial Intelligence, AI) to obszerna dziedzina, kt\u00f3ra zajmuje si\u0119 tworzeniem maszyn zdolnych do wykonywania z\u0142o\u017conych zada\u0144, kt\u00f3re do tej pory wymaga\u0142y ludzkiej inteligencji (m.in. rozumienie j\u0119zyka czy rozpoznawanie obraz\u00f3w).\u00a0<\/span><\/p>\n

Uczenie maszynowe natomiast to poddziedzina sztucznej inteligencji, kt\u00f3ry skupia si\u0119 na rozwijaniu algorytm\u00f3w i modeli, kt\u00f3re ucz\u0105 si\u0119 na podstawie danych i do\u015bwiadcze\u0144.<\/span><\/p>\n

Aby jeszcze lepiej zobrazowa\u0107 t\u0119 r\u00f3\u017cnic\u0119, mo\u017cemy por\u00f3wna\u0107 to do r\u00f3\u017cnicy mi\u0119dzy butami a kozakami. Sztuczna inteligencja to ca\u0142a kategoria \u2013 podobnie jak buty. Natomiast uczenie maszynowe to konkretny rodzaj, taki jak kozaki w\u015br\u00f3d but\u00f3w. Wszystkie kozaki s\u0105 butami, ale nie ka\u017cdy but jest kozakiem. Analogicznie, wszystkie technologie oparte na uczeniu maszynowym s\u0105 okre\u015blane jako sztuczna inteligencja, ale nie wszystkie formy sztucznej inteligencji opieraj\u0105 si\u0119 na uczeniu maszynowym.<\/span><\/p>\n

Warto przy tym pami\u0119ta\u0107, \u017ce uczenie maszynowe posiada r\u00f3wnie\u017c swoje poddziedziny, takie jak g\u0142\u0119bokie uczenie. Aby lepiej zrozumie\u0107 t\u0119 zale\u017cno\u015b\u0107, warto zapozna\u0107 si\u0119 z ilustracj\u0105 poni\u017cej:<\/span><\/p>\n

\"\"<\/p>\n

Jak dzia\u0142a uczenie maszynowe?<\/span><\/h2>\n

Proces uczenia maszynowego sk\u0142ada si\u0119 z kilku podstawowych krok\u00f3w, kt\u00f3re mo\u017cna \u0142atwo zilustrowa\u0107:<\/span><\/p>\n

\"\"<\/p>\n

    \n
  1. Dane wej\u015bciowe: <\/b>Wszystko zaczyna si\u0119 od gromadzenia danych. Mog\u0105 to by\u0107 zdj\u0119cia, teksty, d\u017awi\u0119ki, dane numeryczne itp.<\/span><\/li>\n
  2. Przygotowanie danych: <\/b>Dane s\u0105 nast\u0119pnie przetwarzane i oczyszczane, aby by\u0142y jak najbardziej precyzyjne. W tym etapie usuwane s\u0105 wszelkie nie\u015bcis\u0142o\u015bci, b\u0142\u0119dy czy brakuj\u0105ce warto\u015bci. Jest to krok opcjonalny, ale zalecany, aby otrzyma\u0107 lepsze wyniki.<\/span><\/li>\n
  3. Analiza danych: <\/b>Na tym etapie model uczenia maszynowego pr\u00f3buje zrozumie\u0107 struktur\u0119 danych oraz zale\u017cno\u015bci mi\u0119dzy r\u00f3\u017cnymi cechami.<\/span><\/li>\n
  4. Trenowanie Modelu: <\/b>Model, bazuj\u0105c na analizie, stara si\u0119 znale\u017a\u0107 w danych ukryte wzorce i zale\u017cno\u015bci.<\/span><\/li>\n
  5. Przewidywanie:<\/b> Na podstawie znalezionych wzorc\u00f3w model jest w stanie dokona\u0107 przewidywa\u0144 dla nowych, wcze\u015bniej niewidzianych danych.<\/span><\/li>\n
  6. Podejmowanie decyzji: <\/b>Na podstawie dokonanych przewidywa\u0144, system podejmuje konkretne decyzje i dzia\u0142ania. Na przyk\u0142ad, okre\u015bla dany e-mail jest spamem czy warto\u015bciow\u0105 wiadomo\u015bci\u0105 i na tej podstawie umieszcza go w odpowiednim folderze.<\/span><\/li>\n<\/ol>\n

    Techniki uczenia maszynowego<\/span><\/h2>\n

    Szczeg\u00f3\u0142y dotycz\u0105ce tego, jak dok\u0142adnie wygl\u0105da proces uczenia maszynowego zale\u017cy od techniki, kt\u00f3r\u0105 si\u0119 pos\u0142ugujemy. Poni\u017cej opisali\u015bmy 4 podstawowe metody.<\/span><\/p>\n

    Uczenie nadzorowane<\/span><\/h3>\n

    Uczenie nadzorowane (ang. supervised learning) to metoda polegaj\u0105ca na uczeniu modelu odwzorowania pomi\u0119dzy danymi wej\u015bciowymi a oczekiwanym wyj\u015bciem na podstawie znanych etykiet (zapewnionych przez cz\u0142owieka).<\/span><\/p>\n

    Przyk\u0142adowo, je\u015bli chcesz nauczy\u0107 system rozpoznawania czy dany owoc to jab\u0142ko czy truskawka, Tw\u00f3j zestaw danych treningowych mo\u017ce zawiera\u0107 zdj\u0119cia owoc\u00f3w (dane wej\u015bciowe) oraz informacj\u0119, czy dany obraz przedstawia jab\u0142ko czy truskawk\u0119 (etykieta). Nast\u0119pnie, system analizuje dane i uczy si\u0119 relacji mi\u0119dzy danymi wej\u015bciowymi a wyj\u015bciowymi, aby w przysz\u0142o\u015bci samodzielnie rozpozna\u0107 te owoce.\u00a0<\/span><\/p>\n

    Przyk\u0142ady zastosowania uczenia nadzorowanego to m.in. systemy do wykrywania spamu czy wspomniane wy\u017cej rozpoznawanie obraz\u00f3w.<\/span><\/p>\n

    Warto te\u017c doda\u0107, \u017ce jednym z rodzaj\u00f3w uczenia nadzorowanego jest regresja. Jest to technika analizy statystycznej u\u017cywana do przewidywania warto\u015bci liczbowych. Jej celem jest znalezienie zale\u017cno\u015bci pomi\u0119dzy jedn\u0105 lub wieloma zmiennymi niezale\u017cnymi, a zmienn\u0105 zale\u017cn\u0105.<\/span><\/p>\n

    Przyk\u0142ady zastosowania regresji to prognozowanie cen akcji firm lub cen sprzeda\u017cy produkt\u00f3w.<\/span><\/p>\n

    Uczenie nienadzorowane\u00a0<\/span><\/h3>\n

    Uczenie nienadzorowane (ang. unsupervised learning) polega na tym, \u017ce model samodzielne analizuje zestaw danych wej\u015bciowych nie znaj\u0105c etykiet.\u00a0<\/span><\/p>\n

    W przeciwie\u0144stwie do uczenia nadzorowanego, w tym przypadku algorytm nie posiada wcze\u015bniej okre\u015blonych odpowiedzi. Zamiast tego, stara si\u0119 zidentyfikowa\u0107 ukryte wzorce i struktury w danych i szuka\u0107 korelacji mi\u0119dzy nimi.<\/span><\/p>\n

    Analogicznie do przyk\u0142adu z owocami, je\u015bli dostarczymy systemowi zestaw zdj\u0119\u0107 r\u00f3\u017cnych owoc\u00f3w, bez dodatkowych informacji, jaki owoc znajduje si\u0119 na okre\u015blonym zdj\u0119ciu, system mo\u017ce samodzielnie podzieli\u0107 je na grupy bazuj\u0105c na podobie\u0144stwach, cho\u0107 nie b\u0119dzie wiedzia\u0142, \u017ce jedna z grup to jab\u0142ka, a inna to truskawki.<\/span><\/p>\n

    G\u0142\u00f3wn\u0105 ide\u0105 uczenia nienadzorowanego jest eksploracja danych w celu znalezienia ukrytych wzorc\u00f3w lub struktur. Nie wymaga ono „nadzoru” w tradycyjnym sensie, ale mo\u017ce wymaga\u0107 dodatkowej analizy ze strony cz\u0142owieka w celu interpretacji wynik\u00f3w.<\/span><\/p>\n

    Przyk\u0142ady zastosowania uczenia nienadzorowanego to m.in. klastrowanie grup klient\u00f3w, wykrywanie anomalii, grupowanie temat\u00f3w artyku\u0142\u00f3w.<\/span><\/p>\n

    Uczenie cz\u0119\u015bciowo nadzorowane<\/span><\/h3>\n

    Uczenie cz\u0119\u015bciowo nadzorowane (ang. semi-supervised learning) stanowi kompromis mi\u0119dzy uczeniem nadzorowanym a nienadzorowanym. To podej\u015bcie polega na wykorzystaniu stosunkowo niewielkiej liczby etykietowanych danych w po\u0142\u0105czeniu z du\u017c\u0105 ilo\u015bci\u0105 danych bez etykiet. Jego g\u0142\u00f3wnym celem jest wykorzystanie etykietowanych pr\u00f3bek do pomocy w zrozumieniu struktury og\u00f3lnej nieetykietowanego zestawu danych.<\/span><\/p>\n

    G\u0142\u00f3wn\u0105 zalet\u0105 tego podej\u015bcia jest zdolno\u015b\u0107 do tworzenia dok\u0142adnych modeli przy znacznie ni\u017cszych kosztach etykietowania danych. Dzi\u0119ki temu uczenie cz\u0119\u015bciowo nadzorowane jest szczeg\u00f3lnie przydatne w sytuacjach, gdzie r\u0119czne etykietowanie danych jest czasoch\u0142onne lub kosztowne, ale dost\u0119pna jest du\u017ca ilo\u015b\u0107 nieetykietowanych danych.<\/span><\/p>\n

    Uczenie cz\u0119\u015bciowo nadzorowane znajduje zastosowanie w dziedzinach takich jak analiza mowy, przetwarzanie j\u0119zyka naturalnego czy wykrywanie oszustw.<\/span><\/p>\n

    Uczenie ze wzmocnieniem\u00a0<\/span><\/h3>\n

    Uczenie ze wzmocnieniem (ang. reinforcement learning) to technika, w kt\u00f3rej maszyna uczy si\u0119 poprzez interakcje ze \u015brodowiskiem. W odr\u00f3\u017cnieniu od uczenia nadzorowanego, gdzie maszyna jest instruowana za pomoc\u0105 konkretnych odpowiedzi, tutaj system uczy si\u0119 poprzez pr\u00f3by i b\u0142\u0119dy, a nie przez analiz\u0119 okre\u015blonego zestawu danych treningowych.<\/span><\/p>\n

    W uczeniu ze wzmocnieniem agent (model\/algorytm) wykonuje akcje w \u015brodowisku, za kt\u00f3re otrzymuje nagrody (albo kary). Polega to na odkrywaniu, kt\u00f3re akcje prowadz\u0105 do uzyskania najwi\u0119kszej nagrody w danym stanie \u015brodowiska. Kluczowe jest wi\u0119c odpowiednie zdefiniowanie \u201enagrody\u201d, b\u0119d\u0105cej warto\u015bci\u0105 numeryczn\u0105, kt\u00f3ra mierzy jak dobrze system radzi sobie w osi\u0105gni\u0119ciu swojego celu.<\/span><\/p>\n

    Dobrym przyk\u0142adem jest nauka robota, jak chodzi\u0107. Robot nie otrzymuje instrukcji dotycz\u0105cych tego, jak dok\u0142adnie porusza\u0107 ka\u017cd\u0105 cz\u0119\u015bci\u0105 cia\u0142a. Zamiast tego dostaje informacj\u0119 zwrotn\u0105 w postaci \u201cnagrody\u201d, gdy porusza si\u0119 poprawnie, i \u201ckary\u201d, gdy upada. Poprzez wielokrotne pr\u00f3by i b\u0142\u0119dy, robot optymalizuje swoje ruchy, by osi\u0105gn\u0105\u0107 jak najlepsze wyniki.<\/span><\/p>\n

    Innym ciekawym przyk\u0142adem jest nauka gry w szachy. W tym przypadku, akcje to wykonywane przez model ruchy, \u015brodowisko to plansza i ruchy przeciwnika, a ko\u0144cowa nagroda to wygrana\/przegrana.<\/span><\/p>\n

    Zastosowania uczenia ze wzmocnieniem obejmuj\u0105 takie obszary, jak autonomiczne pojazdy ucz\u0105ce si\u0119 unika\u0107 przeszk\u00f3d czy algorytmy handlowe dokonuj\u0105ce inwestycji na gie\u0142dzie w celu maksymalizacji zysk\u00f3w lub minimalizacji strat. Ten rodzaj uczenia maszynowego ma te\u017c swoje szczeg\u00f3lne miejsce w grach. Mowa tu chocia\u017cby o wspomnianej wy\u017cej grze w szachy, a tak\u017ce tytu\u0142ach takich jak Go czy Starcraft, kt\u00f3re bardzo przyczyni\u0142y si\u0119 do rozwoju reinforcement learning. Co ciekawe, nawet tworzenie asystent\u00f3w takich jak ChatGPT opiera si\u0119 m.in na wykorzystaniu uczenia ze wzmocnieniem.\u00a0<\/span><\/p>\n

    S\u0142owniczek najwa\u017cniejszych poj\u0119\u0107 zwi\u0105zanych z uczeniem maszynowym<\/span><\/h2>\n