Вибір правильного підходу в машинному навчанні схожий на вибір інструмента для конкретної роботи. Залежно від того, що ми хочемо отримати — передбачити число, класифікувати об'єкт чи знайти приховані закономірності — ми обираємо відповідний тип завдання. Усі завдання машинного навчання можна умовно поділити на три великі категорії: кероване навчання, некероване навчання та навчання з підкріпленням.

Кероване навчання працює за принципом «вчитель-учень». Ми надаємо алгоритму набір даних, де кожен елемент вже має правильну «відповідь» або мітку. Модель аналізує ці приклади, знаходить у них закономірності й вчиться робити прогнози для нових, раніше не бачених даних. Це найпоширеніший тип машинного навчання.

Основні завдання, що вирішуються керованим навчанням, — це регресія та класифікація.

Класифікація: розподіл за категоріями

На відміну від регресії, класифікація прогнозує не число, а категорію. Алгоритм вчиться присвоювати об'єктам одну з кількох визначених міток. Класичний приклад — спам-фільтр у вашій пошті. Він аналізує кожен лист і вирішує, до якої з двох категорій його віднести: «спам» чи «не спам». Інші приклади — це розпізнавання рукописних цифр або діагностика захворювань за медичними знімками.

А що, як у нас немає готових «правильних відповідей»? У цьому випадку на допомогу приходить некероване навчання. Алгоритм отримує «сирі» дані без міток і самостійно намагається знайти в них внутрішні зв'язки, патерни чи структури. Це схоже на те, як сортувати бібліотеку книг, не знаючи жанрів, а лише групуючи їх за схожістю обкладинок чи імен авторів.

Найпоширенішим завданням некерованого навчання є кластеризація. Її мета — об'єднати схожі об'єкти в групи, або кластери. Об'єкти в одному кластері мають бути максимально схожими один на одного і водночас максимально відрізнятися від об'єктів в інших кластерах.

Наприклад, маркетингові відділи використовують кластеризацію для сегментації клієнтів. Аналізуючи історію покупок, алгоритм може виділити групи клієнтів зі схожою поведінкою (наприклад, «студенти, що купують каву вранці», «сім'ї, що роблять великі закупівлі на вихідних»). Це дозволяє створювати персоналізовані рекламні кампанії.

Навчання з підкріпленням — це зовсім інший підхід. Тут немає ні вчителя, ні міток. Замість цього є агент, який діє в певному середовищі. За свої дії агент отримує винагороду або покарання. Його мета — навчитися діяти так, щоб максимізувати сукупну винагороду з часом.

Уявіть, що ви навчаєте комп'ютер грати в гру. Агент — це ігровий персонаж. Середовище — це сама гра. Коли персонаж набирає очки, він отримує позитивну винагороду. Коли втрачає життя — негативну. Через безліч спроб і помилок агент сам виробляє оптимальну стратегію для перемоги.

Цей підхід є ключовим для створення систем, які мають адаптуватися до мінливих умов. Навчання з підкріпленням використовується в робототехніці, для оптимізації логістичних маршрутів, у фінансовому трейдингу та, звичайно, для створення штучного інтелекту, здатного перемагати людей у складних стратегічних іграх, як-от AlphaGo.

Щодня ми стикаємося з результатами роботи всіх трьох типів машинного навчання. Коли ви дивитеся Netflix або YouTube, рекомендаційні системи аналізують вашу історію переглядів та порівнюють її з мільйонами інших користувачів.

Вони використовують комбінацію підходів:

• Класифікація (кероване): Прогнозування, чи клікнете ви на певне відео.
• Кластеризація (некероване): Групування користувачів зі схожими смаками для пошуку неочевидних рекомендацій.
• Навчання з підкріпленням: Оптимізація послідовності рекомендацій, щоб утримати вас на платформі якомога довше, максимізуючи винагороду (ваш час перегляду).

Розуміння цих основних парадигм дозволяє побачити, як саме машинне навчання вирішує реальні задачі та створює продукти, якими ми користуємося щодня.

Тепер, коли ви знаєте про основні типи завдань машинного навчання, ви можете краще зрозуміти, яка технологія стоїть за багатьма сучасними сервісами.