AI 1: Wprowadzenie do uczenia maszynowego

Transkrypt

1 AI 1: do uczenia maszynowego Web Mining Lab, PJWSTK

2 Plan silna AI/sªaba AI test Turinga aspekty inteligencji zastosowania wspóªczesne AI pozytywne i negatywne aspekty rozwoju AI dla czªowieka do uczenia maszynowego Eksploracja danych i uczenie maszynowe: motywacja Na czym polega uczenie maszynowe Tablice decyzyjne: atrybuty i obserwacje z nadzorem i bez nadzoru Klasykacja i regresja

3 Sztuczna Inteligencja Gaª ¹ nauki maj ca na celu stworzenie systemu (maszyny, oprogramowania, etc.) posiadaj cego inteligencj co najmniej dorównuj c ludzkiej Wizja obecna w kulturze od wieków: mity i legendy (np. Golem) literatura (np. Cyberiada Stanisªawa Lema) nauka Wspóªczesny rozdziaª tej historii to lata 60-te, kiedy powstaªy odpowiednie komputery

4 Wiele w tków lozoczny (Czy maszyna mo»e my±le? itp.) teoretyczny (twierdzenie Godela) naturalny (obserwacja natury) praktyczny (rozwi zywanie problemów) algorytmiczny i obliczeniowy

5 Test Turinga A i B komunikuj si w j zyku naturalnym (tekst) jeden z nich to czªowiek drugi to maszyna udaj ca czªowieka C obserwuje komunikacj czy C potra rozró»ni czªowieka od maszyny?»aden system nie przeszedª testu Turinga (jak dot d)

6 Krótka subiektywna i uproszczona historia AI pre-historia (przed pierwsze nowoczesne komputery) romantyzm (60-65) - optymistyczna wiara,»e sztuczna inteligencja dorówna ludzkiej w 10 lat... ciemno± (65-70) - pesymizm renesans (70-75) - powstaj pierwsze praktyczne systemy eksperckie wspóªpraca (75-80) - badania interdyscyplinarne: nauki ±cisªe, przyrodnicze, humanistyczne; ±rodowiska akademickie i przemysªowe komercjalizacja (80-)

7 Literatura (przykªady) Neural Networks (e.g.): M. Negnevitsky Articial Intelligence Machine Learning (e.g.): P. Cichosz Ucz ce si Witten et al. Data Mining General AI (e.g.): G. Luger Articial Intelligence NP-completess (e.g.): Cormen et al. Introduction to algorithms Optimisation (e.g.): C.Papadimitriou Combinatorial Optimisation Approximation algorithms: V.Vasirani Approximation algorithms Complexity: C.Papadimitriou Complexity Theory

8 Silna i sªaba AI sªaba AI (w skie aspekty, konkretne wybrane problemy praktyczne) zdolno± do rozwi zywania zªo»onych problemów adaptacyjno± uczenie silna AI (inteligencja uniwersalna) powy»sze, oraz: ±wiadomo± kreatywno± auto-reeksja (nt. wªasnych ogranicze«, itp.) ewolucja Silna AI jest wci» tylko marzeniem... Tutaj skupiamy si na sªabej AI.

9 Aspekty AI percepcja (sztuczne zmysªy: systemy widz ce, rozpoznawanie mowy i pisma, etc.) wiedza (reprezentacja wiedzy: reguªy, tabele decyzyjne, drzewa decyzyjne, ontologie) rozumowanie (logika, automatyczne wyci ganie wniosków, dowodzenie twierdze«) uczenie si uczenie maszynowe: (ang. machine learning (ML)): z nadzorem (klasykacja, regresja), bez nadzoru (np. grupowanie)) komunikacja przetwarzanie j zyka naturalnego (natural language processing (NLP)): inteligentne wyszukiwanie informacji tekstowej, text mining, odpowiadanie na zapytania, tªumaczenie maszynowe, automatyczne zdobywanie wiedzy planowanie i rozwi zywanie zada«(przeszukiwanie, heurystyki, systemy wielo-agentowe, ewolucyjne, etc.)

10 do uczenia maszynowego

11 Zalew danych W ka»dej sekundzie produkowane s ogromne ilo±ci danych: ceny papierów warto±ciowych ceny towarów na rynku warto±ci transakcji klikni cia (logi serwerów WWW) zamówienia towarów w sklepach internetowych rachunki w elektronicznych kasach sklepowych wyniki pomiarów astronomicznych, zycznych, etc...

12 Motywacja dla eksploracji danych Obserwacje: 1 te dane s interesuj ce i warte bada«2 s zapisane w formie elektronicznej (ªatwe do automatycznej analizy) 3 jest ich za du»o by mogªy by zanalizowane bez pomocy komputerów

13 Gªówne cele rozpoznawanie istotnych wzorców w danych wykrywanie trendów w danych (np. wczesne wykrycie kryzysów ekonomicznych, itp.) przewidywanie przyszªo±ci na podstawie poprzednich obserwacji klasykacja nowo-obserwowanych przypadków grupowanie obiektów podobnych W uczeniu maszynowym powy»sze cele realizowane s automatycznie lub przy niewielkim wsparciu czªowieka

14 Idea uczenia z nadzorem 1 nadzór polega na podawaniu prawidªowych rozwi za«dla danych trenuj cych 2 system uczy si uogólni sposób rozwi zania zadania poprzez automatyczne wykrycie zwi zków pomi dzy danymi a prawidªowymi rozwi zaniami (automatyczne budowanie modelu prawidªowego rozwi zania) 3 automatycznie wyuczony model jest stosowany do nowych przypadków (nie trenuj cych)

15 Przykªad: pewna gra na powietrzu, mo»liwa tylko przy pewnych specycznych warunkach atmosferycznych (nie wiemy jakich): pogoda temperatura wilgotno± wiatr GRA? sªonecznie ciepªo wysoka brak nie sªonecznie ciepªo wysoka jest nie pochmurno ciepªo wysoka brak tak deszczowo normalnie wysoka brak tak deszczowo chªodno normalna brak tak deszczowo chªodno normalna jest nie pochmurno chªodno normalna jest tak sªonecznie normalnie wysoka brak nie sªonecznie chªodno normalna brak tak deszczowo normalnie normalna brak tak sªonecznie normalnie normalna jest tak pochmurno normalnie wysoka jest tak pochmurno ciepªo normalna brak tak deszczowo normalnie wysoka jest nie

16 Przykªad, cd Podstawowe pytanie: Przy jakich warunkach gra si w t gr ogólnie? Je±li odpowied¹ nie jest znana mo»na posªu»y si wieloma zaobserwowanymi przypadkami i sprawi aby system wychwyciª ogóln reguª. Je±li uda si w ten automatyczny sposób pozyska wiedz o reguªach gry z obserwacji znanych przypadków mo»na j nast pnie zastosowa do przypadków nieznanych

17 Nowy przypadek outlook temperature humidity windy PLAY? sªonecznie ciepªo wysoka brak nie sªonecznie ciepªo wysoka jest nie pochmurno ciepªo wysoka brak tak deszczowo normalnie wysoka brak tak deszczowo chªodno normalna brak tak deszczowo chªodno normalna jest nie pochmurno chªodno normalna jest tak sªonecznie normalnie wysoka brak nie sªonecznie chªodno normalna brak tak deszczowo normalnie normalna brak tak sªonecznie normalnie normalna jest tak pochmurno normalnie wysoka jest tak pochmurno ciepªo normalna brak tak deszczowo normalnie wysoka jest nie pochmurno chªodno wysoka jest???

18 Tablica decyzyjna: obserwacje i atrybuty Wiedza mo»e by budowana w oparciu o poprzednio zaobserwowane dane: Ka»da obserwacja (przypadek) opisana za pomoc atrybutów okre±lonego typu (nominalnego albo numerycznego) Tablica Decyzyjna: wiersze = obserwacje (przypadki) kolumny = atrybuty

19 Reprezentacja wiedzy: atrybuty nominalne pogoda temperatura wilgotno± wiatr GRA? sªonecznie ciepªo wysoka brak nie sªonecznie ciepªo wysoka jest nie pochmurno ciepªo wysoka brak tak deszczowo normalnie wysoka brak tak deszczowo chªodno normalna brak tak deszczowo chªodno normalna jest nie pochmurno chªodno normalna jest tak sªonecznie normalnie wysoka brak nie sªonecznie chªodno normalna brak tak deszczowo normalnie normalna brak tak sªonecznie normalnie normalna jest tak pochmurno normalnie wysoka jest tak pochmurno ciepªo normalna brak tak deszczowo normalnie wysoka jest nie

20 Reprezentacja wiedzy: atrybuty numeryczne pogoda temperatura wilgotno± wiatr GRA? sªonecznie brak nie sªonecznie jest nie pochmurno brak tak deszczowo brak tak deszczowo brak tak deszczowo jest nie pochmurno jest tak sªonecznie brak nie sªonecznie brak tak deszczowo brak tak sªonecznie jest tak pochmurno jest tak pochmurno brak tak deszczowo jest nie (w powy»szej tabeli temperatura: Fahrenheit)

21 Zadanie: nauczy si relacji pomi dzy warto±ciami atrybutów Dwa gªówne podej±cia: 1 z nadzorem 2 bez nadzoru

22 z nadzorem 1 atrybut decyzyjny: wyszczególniony atrybut w tabeli decyzyjnej (np. GRA?) 2 Zadanie: przewidzie prawidªow (nieznan ) warto± atrybutu decyzyjnego na podstawie (znanych) warto±ci pozostaªych atrybutów 3 Wykorzysta do tego zbiór treningowy - tj taki zbiór obserwacji (przypadków), dla których prawidªowa warto± atrybutu decyzyjnego (oraz wszystkich pozostaªych atrybutów) jest znana z nadzorem nazywane jest: klasykacj, gdy przewidywany atrybut decyzyjny jest nominalny regresj, gdy przewidywany atrybut decyzyjny jest numeryczny

23 idei uczenia z nadzorem Cel: input: nowy przypadek (obserwacja) z nieznan warto±ci atrybutu decyzyjnego output: prawidªowa warto± atrybutu decyzyjnego System mo»e uczy si tylko na ograniczonej liczbie znanych przypadków (zbiór treningowy) dodstarczonych przez nadzoruj cego W praktyce: warto±ci niektórych atrybutów mog by nieznane, bª dne albo znieksztaªcone zbiór ucz cy mo»e by cz ±ciowo sprzeczny

24 Klasykacja, przykªad 2 Botanika: rozpoznawanie gatunków ro±lin Rozpatrzmy 3 ró»ne podgatunki kwiatu o ªac. nazwie Iris: Iris-setosa Iris-versicolor Iris-virginica Task: nauczy si rozpoznawa gatunek ro±liny na podstawie rozmiarów li±ci i pªatków (atrybuty): dªugo± listka (cm) szeroko± listka (cm) dªugo± pªatka (cm) szeroko± pªatka (cm)

25 Rozpoznawanie ro±lin, cont. Zbiór trenuj cy: 150 znanych przypadków (zmierzone cz ±ci ro±lin i znana prawidªowa klasykacja) System uczy si na zbiorze treningowym Nast pnie, ka»dy nowy (nieznany) przypadek jest klasykowany na podstawie pomiarów pªatków i listków Automatycznie wyuczona wiedza jest stosowana do klasykacji nowych przypadków (dla których prawidªowa odpowied¹ nie musi by znana przez nadzoruj cego proces)

26 Zbiór danych (fragment) S - iris setosa, V - iris versicolor, VG - iris virginica ll lw pl pw? ll lw pl pw? ll lw pl pw? S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG

27 Wizualizacja zbioru danych: rzut na pªaszczyzn 2-wym. (zbiór jest 4-wymiarowy) np.: szeroko± /dªugo± listka - nie jest to wystarczaj ca informacja

28 Inna wizualizacja rzutu na pªaszczyzn 2-wym. szeroko± listka/dªugo± pªatka - niesie du»o wiedzy (tzw. dobry dyskriminant)

29 W jaki sposób system sam uczy si zale»no±ci? Istnieje wiele podej± /modeli, przykªady: metoda k najbli»szych s siadów (knn) Oparte na reguªach decyzyjnych Drzewa decyzyjne Podej±cie Bayesowskie Regresja liniowa Sztuczne Sieci Neuronowe (Perceptron, sieci wielo-wartswowe) SVM (support vector machines) wiele innych...

30 Inne przykªady problemu klasykacji rozpoznawanie r cznie pisanych cyfr na formularzach Klasykacja zdolno±ci kredytowej klienta banku Identykacja chªamu pocztowego (ang. spam) Automatyczne rozró»nianie wycieków oleju z tankowców od ciepªych pr dów na podstawie zdj satelitarnych Maszynowa identykacja j zyka w dokumentach tekstowych (np. portugalski czy hiszpa«ski, itp.) Automatyczna klasykacja tematu dokumentu elektronicznego (do jednej z kilku kategorii) Identykacja tzw. chªamu wyszukiwarkowego (ang. Search Engine Spam)

31 Zadanie Regresji W zadaniu klasykacji system przewidywaª warto± atrybutu decyzyjnego typu nominalnego. Je±li natomiast przewidujemy atrybut numerycznego mówimy o regresji Przykªady zadania regresji: przewidzie warto± (cen ) papieru warto±ciowego na podstawie poprzednich notowa«i innych czynników (ekonomicznych, politycznych, etc.) oszacowa ilo±ciowe zapotrzebowanie na dany towar (np. woda mineralna) w przyszªym tygodniu w supermarkecie na podstawie bie» cej sprzeda»y, pory roku, pogody, etc. przewidzie temperatur powietrza w nast pnym dniu

32 Przykªad zadania regresji Przewidywana skuteczno± procesora na podstawie jego parametrów technicznych Przykªadowe atrybuty: MYCT cycle time (ns) MMIN main memory min MMAX main memory max CACH cache CHMIN channels min CHMAX channels max

33 Example: regression MYCT MMIN MMAX CACH CHMIN CHMAX performance

34 bez Nadzoru Nie dajemy systemowi przykªadów (nie dysponujemy). System musi automatycznie odkry zale»no±ci pomi dzy danymi. Podstawowe zadania uczenia bez nadzoru: grupowanie (ang. clustering) wykrywanie przypadków nietypowych (ang. outliers) odkrywanie reguª asocjacyjnych

35 Grupowanie (ang. clustering) Nale»y podzieli wszystkie badane przypadki na grupy obiektów podobnych do siebie (wewn trz ka»dej grupy), przy czym obiekty z ró»nych grup powinny si jak najbardziej ró»ni mi dzy sob. Nie wiemy jaka jest faktyczna kategoria odpowiadaj ca ka»dej grupie - nie mamy przykªadów. Jest to cz sto wst pny etap analizy danych. Popularny algorytm grupowania: K-means

36 Wykrywanie przypadków nietypowych (ang. outliers) Nale»y automatycznie wykry obiekty, które z jakich± powodów odstaj od pozostaªych elementów. Mamy tu tylko do dyspozycji same warto±ci atrybutów. Obiekty wyra¹nie odstaj ce od ogóªu s w pewnym sensie podejrzane. Zastosowania: automatyczne wykrywanie wªama«do systemów komputerowych wykrywanie nadu»y (ang. fraud) w handlu elektronicznym wykrywanie prania brudnych pieni dzy na podstawie analizy transferów bankowych wykrywanie bª dów w danych i bª dów urz dze«pomiarowych czyszczenie danych

37 Problemy kontrolne: silna AI/sªaba AI test Turinga aspekty inteligencji zastosowania wspóªczesne AI pozytywne i negatywne aspekty rozwoju AI dla czªowieka do uczenia maszynowego Reprezentacja danych w Uczeniu Maszynowym Schemat Uczenia go (w krokach) Na czym polega podziaª: z nadzorem i bez nadzoru Co to jest klasykacja a co to jest regresja Przykªady zada«klasykacji i regresji (po 3) Przykªady zada«uczenia bez nadzoru Na czym polega zadanie grupowania (ang. clustering)? Przykªady technik uczenia z nadzorem

38 Dzi kuj za uwag Dzi kuj za uwag.