1. Aplikace strojového učení
Definice¶
Strojové učení je podoblastí umělé inteligence, zabývající se algoritmy a technikami, které umožňují počítačovému systému 'učit se'. Učením v daném kontextu rozumíme takovou změnu vnitřního stavu systému, která zefektivní schopnost přizpůsobení se změnám okolního prostředí.
Použiti¶
Jaké jsou nejběžnější aplikace?¶
- Autonomní auta
- inteligentní asistenti
- speech recognition
- machine translation
- object detection
- object recognition
- rekomendační systémy
- predikční systémy (počasí, burza)
- encoding
Otázky¶
Jak se dá pomocí strojového učení optimalizovat:¶
anténa¶
- Použijeme evoluční algoritmus.
- Začneme jednoduchým designem často prostě přímkou
- Postupně pro celou generaci náhodně upravíme anténu pomoci specifické sady funkci (Směr natočení, délka, počet potomku...)
- Celou tuto sadu ohodnotíme fitness funkci a pro další generaci použijeme pouze ty nejlepší
- Po mnoha generacích vybereme nejlepší anténu
- Anténa bude zakódovaná do genotypu což je stromová struktura kde větvení v struktuře znamená větvení antény.
- Fitness funkce se může snažit například
- Minimalizovat komplikovanost funkce
- Maximalizovat silu signálu
obvod¶
- Použijeme znovu geneticky algoritmus
- Začneme pouze z vysokého nadhledu co musí obvod dělat.
- Fitness funkce určuje podobnost hledané funkci, kterou se obvod snaží realizovat. Zároveň lze penalizovat velké obvody (drahý HW).
Jak poznáte že jde o strojové učení?¶
- Schopnost modelu se samostatně zlepšovat a přizpůsobovat novým vstupům
- Schopnost generalizovat naučené vzorce na nová data
- Trénování modelu na velkém množství dat
- Produkce přesných výsledků při řešení široké škály úloh (např. predikce, klasifikace, zpracování přirozeného jazyka)