Ushbu bo'lim katta ma'lumotlar bilan bog'liq muammolarni hal qilishda foydali bo'lishi mumkin bo'lgan bir nechta o'rganish usullarini tavsiflaydi. Ushbu o'rganish usullarining ajralib turadigan xususiyati shundaki, ular alohida bir algoritmga e'tibor berish o'rniga o'rganish kontseptsiyasiga e'tibor qaratadilar [ 4 ].
1-jadval: Mashinani o'rganish texnologiyalarini taqqoslash [ 4 ]
O'rganish turlari
Ma'lumotlarni qayta ishlash vazifalari
Farqlanish normasi
Algoritmlarni o'rganish
Nazorat ostida o'rganish
Tasnifi/
Regressiya/baholash
Hisoblash
tasniflagichlar
Vektor mashinasini qo'llab-quvvatlash
Statistik tasniflagichlar
Naif Bayes
Yashirin Markov modeli
Bayes tarmoqlari
Connectionist klassifikatorlar
Neyron tarmoqlar
Nazoratsiz o'rganish
Klasterlash / bashorat qilish
Parametrik
K- degani
Gauss aralashmasi modeli
Parametrik bo'lmagan
Dirixlet jarayoni aralashmasi modeli
X - degani
O'rganishni mustahkamlash
Qaror qabul qilish
Modelsiz
Q-o'rganish
R-o'rganish
Modelga asoslangan
TD o'rganish
Sarsa o'rganish
2.1.1 Reprezentatsiyani o'rganish Ma'lumotlarning qimmatli va mazmunli tasvirlarini o'rganish vakillik o'rganishning asosiy maqsadidir [ 5 ]. O'rtacha o'lchamdagi o'rganilgan vakillik juda ko'p muqobil kiritish konfiguratsiyasini qo'lga kiritishga qodir, bu esa hisoblash va statistik samaradorlikni sezilarli darajada oshirishi mumkin [ 10 ]. Mashinani o'rganish texnikasining muvaffaqiyati ko'p jihatdan ma'lumotlarning qanchalik yaxshi ifodalanishiga bog'liq [ 5 ].
2.1.2 Chuqur o'rganish Chuqur o'rganish - bu sun'iy neyron tarmoqlari deb ataladigan miyaning funktsiyasi va tuzilishi ta'sir qiladigan algoritmlarga tayanadigan mashinani o'rganish sohasi [ 7 ]. Sayoz tuzilgan ta'lim arxitekturalariga tayanadigan ko'pgina klassik o'rganish usullaridan farqli o'laroq, chuqur o'rganish birinchi navbatda ierarxik tasvirlarni avtomatik ravishda o'rganish uchun chuqur arxitekturada nazorat qilinadigan va/yoki nazoratsiz algoritmlardan foydalanadi [11 ] . Chuqur o'rganish, qo'shimcha misollar bilan o'rgatish orqali modelning chuqurligini yoki tasvirlash qobiliyatini kengaytirish orqali model ishlashini yaxshilash xususiyatiga ega [ 7 ]. Katta ma'lumotlar tahlilining xilma-xilligi va hajmi bilan ishlash uchun chuqur o'rganish arxitekturasi va algoritmlaridan foydalanish maqsadga muvofiqdir [ 12 ]. Chuqur o'rganishning va'dalaridan biri shundaki, xususiyatlarni o'rganish va ierarxik xususiyatlarni ajratib olish usullari qo'lda xususiyatlarni tanlash o'rnini bosishi mumkin [ 8 ].
2.1.3 Tarqalgan va parallel ta’lim O'rtacha vaqt ichida katta hajmdagi ma'lumotlarni qayta ishlash algoritmlarini o'rganish qiyin bo'ladi; bunday holatda, taqsimlangan ta'lim istiqbolli ko'rinadi, chunki bu o'rganish algoritmlarini kengaytirishning texnik usulidir [ 13 ]. Klassik ta'lim paradigmasidan farqli o'laroq, ma'lumotlar markaziy qayta ishlash maqsadida ma'lumotlar bazasida to'planishi kerak, taqsimlangan ta'lim o'rganishni taqsimlangan tarzda amalga oshirishga imkon beradi [14 ] . Meta-o'rganish, qaror qabul qilish qoidalari, taqsimlangan kuchaytirish va stacking umumlashtirish - bu taqsimlangan va parallel mashinani o'rganishning eng mashhur yondashuvlaridan biri [ 5 ]. Muhim printsip shundaki, taqsimlangan va parallel o'rganish algoritmlari o'rganish qiyin bo'lgan vaziyatlarni birinchi o'ringa qo'yishi kerak [ 5 ].
2.1.4 Ta'limni uzatish Ba'zi hollarda o'quv ma'lumotlarini yig'ish qimmat yoki murakkab. Shunday qilib, ko'plab domenlardagi ma'lumotlardan foydalangan holda yuqori samarali o'quvchilarni o'rgatish uchun transferli o'rganishdan foydalanish kerak [ 7 ]. Transferni o'rganish bir nechta manba vazifalaridan ma'lumot olish va uni maqsadli vazifaga qo'llash imkonini beruvchi funktsiyalar, domenlar va tarqatishlarni ajratish usuli sifatida taqdim etilgan edi [15 , 16 ] . Baholangan transfer o'rganish yechimlari ma'lumotlar hajmidan mustaqil bo'lib, katta ma'lumotlar sharoitida foydalanish mumkin [ 7 ]. Transfer o'rganishning foydasi shundaki, u yangi masalalarni tezroq hal qilish uchun avval olingan bilimlardan oqilona foydalanishi mumkin [ 4 ].
2.1.5 Faol ta’lim Yorliqsiz katta hajmdagi ma'lumotlardan o'rganish ko'p vaqt talab qiladi va qiyin. Faol o'rganish bu muammoni yorliqlash uchun eng muhim holatlarning kichik guruhini tanlash orqali hal qilishga intiladi [ 17 ]. Faol o'quvchining maqsadi iloji boricha kamroq yorliqli holatlarni qo'llash orqali aniqlikka erishish, shuning uchun etiketli ma'lumotlarni kuzatib borish xarajatlarini kamaytirishdir [ 18 ]. An'anaviy passiv o'rganishda qo'llaniladiganlardan ko'ra samaraliroq bo'lgan so'rovlar algoritmlari yordamida kamroq etiketli namunalar bilan qulay tasniflash ko'rsatkichlariga erishish mumkin edi [ 19 ].
2.1.6 Yadroga asoslangan ta'lim Samarali chiziqli bo'lmagan ta'lim algoritmlarini loyihalashda erishilgan yutuqlar yadroga asoslangan ta'limni so'nggi o'n yillikda ishlov berish qobiliyatini oshirish uchun ayniqsa kuchli vositaga aylantirdi [ 20 ]. Yadroga asoslangan mashinani o'rganishda biz ob'ektlar yoki tasvirlarning o'xshashligini aniqlash uchun ko'p sonli xususiyatlarni tekshirish o'rniga, bitta yadro funktsiyasini ko'rib chiqamiz [ 5 ]. Yadro funktsiyasi o'rganish yondashuvini yaratish va tasniflagich sifatida mo'ljallangan natijani olish uchun tasvirlar va teglar bilan birlashtiriladi [ 5 ].
