O‘qituvchisiz o‘rganish (unsupervised learning)

Nazoratsiz o‘rganish (mustaqil o‘rganish, spontan o‘rganish, ingl. Unsupervised learning) — mashinali o‘rganish usullaridan biridir. Bunda tekshirilayotgan tizim belgilangan vazifani o‘z-o‘zidan bajarishni o‘rganadi, jarayonga tajriba o‘tkazuvchi aralashmaydi.

Agar kibernetika nuqtayi nazaridan qaralsa, bu kibernetik tajriba turlaridan biridir. Odatda, bu yondashuv obyektlar majmuasining (o‘quv tanlanmasining) tavsiflari ma’lum bo‘lgan hamda obyektlar orasidagi ichki aloqalar, bog‘liqliklar va qonuniyatlarni aniqlash talab etiladigan masalalargagina mos keladi. Nazoratsiz o‘rganish ko‘pincha nazorat ostidagi o‘rganishga qarama-qarshi qo‘yiladi: unda o‘rgatish uchun berilgan har bir obyektga oldindan «to‘g‘ri javob» belgilanadi va tizimga ta’sir etuvchi signallar bilan uning javob reaksiyalari o‘rtasidagi bog‘liqlikni topish talab etiladi.

Fiziologiya bilan bog‘liqligi

Amaliy sohada ko‘plab yutuqlarga erishilganiga qaramay, nazorat ostidagi o‘rganish biologik jihatdan haqiqatga mos kelmasligi sababli tanqid qilingan. Miyada chiqishdagi kutilgan va haqiqiy qiymatlarni taqqoslab, qayta aloqa yordamida tuzatish kiritadigan o‘rganish mexanizmini tasavvur qilish qiyin. Miyada shunday mexanizm mavjud deb faraz qilsak, kutilgan chiqish qiymatlari qayerdan paydo bo‘ladi? Nazoratsiz o‘rganish biologik tizimdagi o‘rganishning ancha ishonarli modelidir. Kohonen va boshqa ko‘plab olimlar tomonidan rivojlantirilgan bu modelda chiqishlar uchun maqsad vektori talab etilmaydi. Binobarin, oldindan belgilangan ideal javoblar bilan taqqoslashga ham ehtiyoj yo‘q.

Obrazlarni tanib olish nazariyasida «nazoratsiz o‘rganish» tushunchasi

Nazariyani yaratish va kibernetik tajribaga tayanishdan chekinish maqsadida turli nazariyalarda nazoratsiz o‘rganish tajribasini matematik jihatdan shakllantirishga uriniladi. Bunday shakllantirishning turli ko‘rinishlari va ta’riflari ko‘p. Ulardan biri obrazlarni tanib olish nazariyasi.

Tajribadan nazariyaga o‘tish mutaxassislarning turlicha qarashlari bilan bog‘liq. Xususan, farqlar quyidagi savolga javob berishda namoyon bo‘ladi: «Tabiati turlicha bo‘lgan obrazlarni yetarlicha aniq tavsiflashning yagona tamoyillari mavjudmi yoki har safar bunday tavsifni tuzish muayyan soha mutaxassislarining vazifasimi?»

Birinchi holda masala obrazlarni yetarlicha tavsiflashda avvaldan mavjud ma’lumotlardan foydalanishning umumiy tamoyillarini aniqlashga qaratilishi lozim. Muhimi, tabiati turlicha bo‘lgan obrazlar haqidagi aprior ma’lumotlar har xil bo‘lsa-da, ularni hisobga olish tamoyili bir xil. Ikkinchi holda tavsifni hosil qilish muammosi umumiy masala doirasidan chiqariladi va obrazlarni tanib olishga mo‘ljallangan mashinali o‘rganish nazariyasi, statistik o‘rganish nazariyasi nuqtayi nazaridan, qaror qabul qilish qoidalarining muayyan sinfida o‘rtacha xavfni minimallashtirish masalasiga keltirilishi mumkin.

Obrazlarni tanib olish nazariyasida bu muammoga, asosan, uch xil yondashuv ajratiladi:

  • Evristik usullar;
  • Matematik usullar;
  • Lingvistik (sintaktik) usullar.

Kirish ma’lumotlarining turlari

  • Belgilar asosidagi tavsif — obyektlar o‘z xususiyatlari to‘plami orqali tavsiflanadi. Bu xususiyatlar belgilar deb ataladi. Belgilar sonli yoki sonsiz bo‘lishi mumkin.
  • Masofalar matritsasi — obyektlar orasidagi masofalarni ifodalaydi. Har bir obyekt o‘quv tanlanmasidagi qolgan barcha obyektlargacha bo‘lgan masofalar orqali tavsiflanadi.

Yechiladigan masalalar

Nazoratsiz o‘rganish tajriba sxemasi quyidagi sohalarda keng qo‘llaniladi: obrazlarni tanib olish nazariyasi, mashinali o‘rganish. Bunda tanlangan yondashuvga qarab, u muayyan matematik konsepsiya shaklida ifodalanadi. Faqat sun’iy neyron tarmoqlari nazariyasida esa masala neyron tarmoqlarining turli ko‘rinishlaridan foydalanib, tajriba yo‘li bilan yechiladi. Odatda, olingan modelni izohlash imkoni bo‘lmasligi mumkin; bu ba’zan neyron tarmoqlarining kamchiligi hisoblanadi. Shunga qaramay, natijalar boshqa usullarnikidan yomon emas va maxsus usullar qo‘llanilsa, ularni ham talqin qilish mumkin.

Klasterlash masalalari

Nazoratsiz o‘rganish tajribasini obrazlarni tanib olish masalasida klaster tahlili sifatida ifodalash mumkin. Obyektlar tanlanmasi o‘zaro kesishmaydigan, klasterlar deb ataladigan kichik to‘plamlarga ajratiladi. Har bir klaster o‘xshash obyektlardan tashkil topishi, turli klasterlardagi obyektlar esa bir-biridan sezilarli farq qilishi kerak. Dastlabki ma’lumotlar masofalar matritsasi ko‘rinishida taqdim etiladi.

Yechish usullari:

Klasterlash tasniflash va regressiya masalalarini yechishda yordamchi vazifani bajarishi mumkin. Buning uchun avval tanlanma klasterlarga ajratiladi, so‘ng har bir klasterga juda sodda usul qo‘llanadi, masalan, maqsadli bog‘liqlik o‘zgarmas qiymat bilan yaqinlashtiriladi.

Yechish usullari:

Umumlashtirish masalalari

Xuddi farqlash tajribalarida bo‘lgani kabi, ularni matematik jihatdan klasterlash sifatida ifodalash mumkin. Tushunchalarni umumlashtirishda esa spontan umumlashtirishni o‘rganish mumkin. Bunda o‘xshashlik mezonlari tashqaridan kiritilmaydi yoki tajriba o‘tkazuvchi tomonidan majburan belgilanmaydi.

Bunda «sof umumlashtirish» tajribasida miya modeli yoki perseptrondan bitta stimulga (masalan, to‘r pardaning chap qismidagi kvadratga) tanlab javob berishdan unga o‘xshash, lekin o‘sha sezgi uchlarining birortasini qo‘zg‘atmaydigan boshqa stimulga (to‘r pardaning o‘ng qismidagi kvadratga) javob berishga o‘tish talab qilinadi. Umumlashtirishning kuchsizroq ko‘rinishiga, masalan, tizim reaksiyasi ilgari ko‘rsatilgan (yoki eshittirilgan yoxud teginish orqali sezdirilgan) stimuldan albatta ajralgan bo‘lishi shart bo‘lmagan o‘xshash stimullar sinfi elementlariga ham tatbiq etilishi haqidagi talab kiradi.

Anomaliyalarni aniqlash masalalari

Nazoratsiz o‘rganish usullari anomaliyalarni, ya’ni obyektning xatti-harakati odatiy (kutilgan) holatdan sezilarli darajada farq qiladigan ma’lumot qismlarini aniqlashda keng qo‘llaniladi.

Assotsiatsiya qoidalarini izlash masalalari

Dastlabki ma’lumotlar belgilar asosidagi tavsiflar shaklida beriladi. Masala obyektlarning bunday tavsiflarida ayniqsa tez-tez (tasodifan emas, qonuniyat sifatida) uchraydigan belgilar to‘plamlarini va ularning qiymatlarini aniqlashdan iborat.

O‘lchamlilikni kamaytirish masalalari

Dastlabki ma’lumotlar belgilar asosidagi tavsiflar ko‘rinishida taqdim etiladi va belgilar soni ancha katta bo‘lishi mumkin. Masala axborot yo‘qotilishini imkon qadar kamaytirgan holda bu ma’lumotlarni o‘lchamliligi kichikroq fazoda ifodalashdan iborat.

Yechish usullari:

Ma’lumotlarni vizuallashtirish masalalari

Ba’zi klasterlash va o‘lchamlilikni kamaytirish usullari tanlanmani ikki o‘lchamli fazoda ifodalaydi. Bu ko‘p o‘lchamli ma’lumotlarni tekis grafiklarda ko‘rsatish va ularni vizual tahlil qilish imkonini beradi. Natijada ma’lumotlarni tushunish hamda yechilayotgan masalaning mohiyatini anglash osonlashadi.

Yechish usullari:

Ayrim qo‘llanish sohalari

Adabiyotlar

Havolalar