Ուսուցում առանց ուսուցչի

Ուսուցում առանց ուսուցչի (ինքնուրույն ուսուցում, անգլ.` Unsupervised learning) մեքենայական ուսուցման մեթոդներից մեկն է, որի ընթացքում փորձարկվող համակարգը ինքնաբերաբար սովորում է կատարել տրված առաջադրանքը առանց փորձարարի միջամտության։ Կիբերնետիկայի տեսանկյունից սա համարվում է կիբերնետիկական փորձի տեսակներից մեկը։ Որպես կանոն, սա կիրառելի է այն խնդիրների դեպքում, երբ առկա են մի շարք օբյեկտների նկարագրություններ, և պահանջվում է հայտնաբերել այդ օբյեկտների ներքին փոխհարաբերությունները, կախվածությունները և օրինաչափությունները։

Առանց ուսուցչի ուսուցանումը հաճախ հակադրվում է ուսուցչի հետ ուսուցմանը, երբ յուրաքանչյուր ուսուցանող օբյեկտի հարկադրաբար տրվում է «ճիշտ պատասխանը», և պահանջվում է գտնել համակարգի խթանների և ռեակցիաների միջև կախվածությունը։

Կապ ֆիզիոլոգիայի հետ

Չնայած կիրառական բազմաթիվ ձեռքբերումների, ուսուցումը ուսուցչի հետ քննադատվել է իր կենսաբանորեն ոչ արժանահավատ լինելու համար։ Դժվար է պատկերացնել ուղեղում գտնվող ուսուցանող մեխանիզմ, որը կհամեմատեր  ելքերի ցանկալի և իրական նշանակությունը` կատարելով շտկումներ հետադարձ կապի օգնությամբ։ Եթե ենթադրենք, որ ուղեղում առկա է նման մեխանիզմ, ապա այդ դեպքում որտեղի՞ց են առաջանում ցանկալի ելքերը։ Առանց ուսուցչի ուսուցանումը կենսաբանական համակարգում համարվում է շատ ավելի արժանահավատ մոդել։ Կոհոնենի և շատ ուրիշների կողմից մշակված, այն ելքերի համար թիրախային վեկտորի կարիք չունի, ուստի չի պահանջում համեմատություն նախապես որոշված իդեալական պատասխանների հետ։

«Առանց ուսուցչի ուսուցման» հասկացությունը պատկերների ճանաչման տեսության մեջ

Տեսությունը կառուցելու և տարբեր տեսություններում կիբեռնետիկական փորձից հաեռանալու համար, առանց ուսուցչի ուսուցման փորձը փորձում են ձևակերպել մաթեմատիկորեն։ Գոյություն ունեն այս ձևակերպման սահմանման և տեղադրման տարբեր ենթատեսակներ, որոնցից մեկն արտացոլվում է պատկերների ճանաչման տեսության մեջ։

Փորձից և տեսության կառուցումից նման հեռացումը կապված է մասնագետների տարբեր տեսակետների հետ։ Մասնավորապես տարաձայնություններ են առաջանում տվյալ հարցին պատասխանելիս. «Հնարավո՞ր են արդյոք տարբեր բնույթի պատկերների ադեկվատ նկարագրության միատեսակ սկզբունքներ, թե՞այդպիսի նկարագրությունն ամեն անգամ խնդիր է հատուկ գիտելիքներ ունեցող մասնագետների համար»։

Առաջին դեպքում տեղադրումը պետք է ուղղված լինի պատկերների համարժեք նկարագրության կազման մեջ ապրիորի տեղեկատվության օգտագործման ընդհանուր սկզբունքների բացահայտմանը։ Կարևոր է այն, որ այստեղ տարբեր բնույթի պատկերների մասին ապրիորի տեղեկատվությունը տարբեր է, իսկ դրանց հաշվառման սկզբունքը նույնն է։ Երկրորդ դեպքում նկարագրություն ստանալու խնդիրը դուրս է հանվում ընդհանուր միջավայրից, և մեքենաներին պատկերների ճանաչման ուսուցման տեսությունը, պատկերներիի ճանաչման վիճակագրական տեսության տեսանկյունից, կարող է հանգեցնել միջին ռիսկի խնդրի նվազեցմաը` որոշիչ կանոնների հատուկ դասում։

Պատկերների ճանաչման տեսության մեջ տարբերակում են այս խնդրի երեք հիմնական մոտեցումներ`

• Էվրիստիկական մեթոդներ
• Մաթեմատիկական մեթոդներ
• Լեզվաբանական մեթոդներ

Մուտքային տվյալների տիպերը

• Առարկաների առանձնահատկությունների նկարագրություն. յուրաքանչյուր առարկա նկարագրվում է իր բնութագրերի ամբողջությամբ, որոնք կոչվում են հատկանիշներ։ Հատկանիշները կարող են լինել թվային կամ ոչ թվային։
• Օբյեկտների միջև հեռավորությունների մատրիցը. յուրաքանչյուր օբյեկտ նկարագրվում է ուսումնական ընտրանքի մյուս բոլոր օբյեկտներից ունեցած հեռավորություններով։

Լուծելի խնդիրներ

Առանց ուսուցչի փորձարարական ուսուցումը հաճախ օգտագործվում է պատկերների ճանաչման տեսության, մեքենայական ուսուցման մեջ։ Կախված մոտեցումից, այն ձևակերպվում է այս կամ այն մաթեմատիկական հայեցակարգի շրջանակներում։ Եվ միայն արհեստական նեյրոնային ցանցերի տեսության մեջ խնդիրը լուծվում է փորձնականորեն` օգտագործելով այս կամ այն տիպի նեյրոնային ցանցերը։ Ավելին, որպես կանոն, ստացված մոդելը կարող է մեկնաբանություն չունենալ, ինչ էլ երբեմն դիտարկում են որպես նեյրոնային ցանցերի թերություն։ Բայց, այնուամենայնիվ, ստացված արդյունքներն ոչնչով չեն զիջում, և ցանկության դեպքում կարող են մեկնաբանվել հատուկ մեթոդների կիրառմամբ։

Դասակարգման խնդիրներ

Առանց ուսուցչի ուսուցման փորձը` պատկերների ճանաչման խնդիր լուծելիս, կարելի է ձևակերպել որպես դասակարգային վերլուծության խնդիր։ Օբյեկտների ընտրությունը բաժանվում է չհատվող ենթաբազմությունների, որոնք կոչվում են դասակարգեր, այնպես որ յուրաքանչյուր դասակարգ բաղկացած լինի նմանատիպ առարկաներից, իսկ տարբեր դասակարգերի օբյեկտները էապես տարբերվեն։ Նախնական տեղեկատվությունը ներկայացվում է հեռավորության մատրիցայի տեսքով։

Լուծման մեթոդներ

• Դասակարգման գրաֆային ալգորիթմներ
• Դասակարգման վիճակագրական ալգորիթմներ
• Հիերարխիկ դասակարգում կամ տաքսոնոմիա
• Կոհոնենի նեյրոնային ցանց
• Մոտիկ հարևանների մեթոդ
• Ավտոասոցիատոր
• Վստահության խորը ցանց

Դասակարգումը կարող է օժանդակող դեր ունենալ դասակարգման և ռեգրեսիայի խնդիրների լուծման ժամանակ։ Դա անելու համար նախ անհրաժեշտ է ընտրանքը բաժանել դասակարգերի, ապա կիրառել մի քանի շատ պարզ մեթոդ յուրաքանչյուր դասակարգի վրա, օրինակ` մոտեցնել թիրախային կախվածությունը հաստատունով։

Լուծման մեթոդներ

• Հանդիպակաց տարածման նեյրոնային ցանց
• Ճառագայթաբազիսային ֆունկցիաների ցանց

Ընդհանրացման խնդիրներ

Ինչպես խտրականության փորձերի դեպքում, որը կարող է մաթեմատիկորեն ձևակերպվել որպես դասակարգում, հասկացությունների ընդհանրացման դեպքում հնարավոր է ուսումնասիրել ինքնաբուխ ընդհանրացումը, որի մեջ նմանության չափորոշիչները դրսից կամ փորձարարի կողմից չեն մուտքագրվում կամ պարտադրվում։

Այս դեպքում ուղեղի մոդելի կամ պերսեպտրոնի «մաքուր ընդհանրացման» փորձի ժամանակ պահանջվում է ընտրողական պատասխանից անցնել մեկ խթանից (օրինակ` ցանցաթաղանթի ձախ կողմում գտնվող քառակուսի) դեպի մեկ այլ նմանատիպ խթան, որը չի ակտիվացնում նույն զգայական վերջավորություններից ոչ մեկը (քառակուսի ցանցաթաղանթի աջ կողմում)։ Ավելի թույլ տիպի ընդհանրացումները ներառում են, օրինակ, պահանջը, որ համակարգի ռեակցիաները տարածվեն նմանատիպ խթանների դասի տարրերի վրա, որոնք պարտադիր չէ որ առանձնացված լինեն նախկինում ցուցադրված (կամ լսված, կամ հպման միջոցով ընկալվող) խթանից։

Ասոցիացիայի կանոնների որոնման առաջադրանքներ

Նախնական տեղեկատվությունը ներկայացվում է հատկությունների նկարագրության տեսքով։ Խնդիրն է գտնել հատկությունների այնպիսի բազմություններ և այդ հատկությունների այնպիսի արժեքներ, որոնք հատկապես հաճախ (ոչ պատահական հաճախ) են հայտնաբերվում օբյեկտների առանձնահատկությունների նկարագրություններում։

Չափի նվազեցման խնդիրներ

Նախնական տեղեկատվությունը ներկայացվում է հատկությունների նկարագրության տեսքով, ընդ որում հատկությունների քանակը կարող է լինել բավականին մեծ։ Խնդիրը նրանում է, որ այս տվյալները պետք է ներկայացնել ավելի փոքր չափսերի տարածքում` հնարավորինս նվազագույնի հասցնելով տեղեկատվության կորուստը։

Լուծման մեթոդներ

• Գլխավոր բաղադրիչների մեթոդ
• Անկախ բաղադրիչների վերլուծություն
• Բազմաչափ սանդղակավորում

Տվյալների վիզուալիզացնամ խնդիրները

Դասակարգման և ծավալայնության նվազեցման որոշ մեթոդներ կառուցում են ընտրանքի ներկայացումը երկչափ տարածքում։ Սա թույլ է տալիս ցուցադրել բազմաչափ տվյալներ տափակ գրաֆիկների տեսքով և վերլուծել դրանք վիզուալ կերպով, ինչն էլ օգնում է ավելի լավ հասկանալ տվյալներն ու լուծվող խնդրի էությունը։

Լուծման մեթոդներ

• Դենդրոգրամա
• Կոհենենի ինքնակազմակերպվող քարտեզ
• Գեներատիվ տեղագրական քարտեզ
• Նմանությունների քարտեզ

Որոշ հավելվածներ

• Սոցիոլոգիական հետազոտություններ. ներկայացուցչական ենթատիպերի ձևավորում կարծիքի սոցիոլոգիական հարցումներ կազմակերպելիս։
• Մարքեթինգային հետազոտություններ. բոլոր հաճախորդների բաժանում դասակարգերի` բնորոշ նախասիրությունների բացահայտման համար։
• Շուկայական զամբյուղների վերլուծություն. ապրանքների համադրությունների բացահայտում, որոնք հաճախ միասին են լինում հաճախորդների գնումներում։

Արտաքին հղումներ

• Neural Networks հոդվածը Curlie-ում (ըստ DMOZ-ի)
• Профессиональный вики-ресурс, посвященный машинному обучению и интеллектуальному анализу данных.
• Roman, Victor (2019-04-21). "Unsupervised Machine Learning: Clustering Analysis"

Գրականություն

• Այվազյան Ս.Ա., Բուխստաբեր Վ.Մ., Էնյուկով Ի.Ս., Մեշալկին Լ.Դ. Կիրառական վիճակագրություն. Դասակարգում և չափերի նվազում։ - Ֆ. Ֆինանսներ և վիճակագրություն, 1989։
• Զագորույկո Ն. Գ.,Տվյալների և գիտելիքների վերլուծության կիրառական մեթոդներ։ - Նովոսիբիրսկ. IM SO RAN, 1999: ISBN 5-86134-060-9.
• Շլեզինգեր Մ., Գլավաչ Վ., Տաս դասախոսություն վիճակագրական և կառուցվածքային ճանաչման վերաբերյալ։ - Կիև ՝ Նաուկովա Դումկա, 2004 թ.ISBN 966-00-0341-2.
• Hastie, T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. — 2nd ed. — Springer-Verlag, 2009. — 746 p. — ISBN 978-0-387-84857-0.
• Розенблатт, Ф. Принципы нейродинамики: Перцептроны и теория механизмов мозга = Principles of Neurodynamic: Perceptrons and the Theory of Brain Mechanisms1965. — 480 էջ Архивная копия Wayback Machine