Наблюдавано обучение (Supervised Learning)

Описание: Как ИИ предсказва бъдещето? Тайните на Наблюдаваното обучение (Класификация vs. Регресия) 🔮🤖

В миналия урок разбрахме как експертите събират и „чистят“ данните. Сега идва най-интересната част – как компютърът всъщност се учи от тях? Днес ще разгледаме най-популярния метод в изкуствения интелект: Наблюдаваното обучение (Supervised Learning).
Ето какво точно ще научите от този урок:
1. Какво е „Наблюдавано обучение“? Ще разберете как работи обучението с „етикетирани данни“ – тоест, когато даваме на алгоритъма едновременно въпроса и верния отговор.
• Пример: За да разпознава спам, първо му показваме хиляди имейли, които вече са маркирани като спам от хора.
• Уловката: Ще научите защо този метод е изключително точен, но събирането на тези етикетирани данни е много скъпо и отнема огромно време.
2. Задача 1: Класификация (Сортиране по категории) Как ИИ решава в коя „кутия“ да сложи дадена информация (например: „спам“ или „не е спам“)? Ще разгледаме 3 гениални метода:
• 🌳 Дърво на решения: Работи като блок-схема, която задава въпроси (напр. „Съдържа ли имейлът думата 'безплатно'?“), докато стигне до отговор.
• 🌲 Произволна гора (Random Forest): За да не допусне грешка едно дърво или да не се „преобучи“ (да назубри данните, вместо да ги разбере), този метод създава много дървета и взема решение чрез мнозинство от гласовете им. Използва се за сложни задачи като оценка на кредитен риск.
• 👥 k-Най-близки съседи (k-NN): Идеален за разпознаване на ръкописни букви! Алгоритъмът сравнява новата ви заврънкулка с най-подобните символи, които е виждал преди, за да познае какво сте написали.
3. Задача 2: Регресия (Предсказване на конкретни числа) Какво правим, когато не търсим категория, а конкретна цифра (напр. цена, заплата или температура)?
• 📈 Проста линейна регресия: Предсказване на заплата само на базата на един фактор – годините опит.
• 📊 Множествена линейна регресия: Същото, но много по-точно, защото добавя още фактори (напр. опит плюс години образование).
• 🎢 Полиномиална регресия: Използва се за сложни нелинейни събития, като например предсказването на това как ще расте населението на дадена държава във времето.
Гледайте видеото, за да разберете как математиката и статистиката се превръщат в кристално кълбо за бизнеса!