koneoppimistehtävissä

Koneoppimistehtävät ovat keskeinen osa koneoppimisen alaa, ja ne määrittelevät, mitä ongelmaa koneoppimismalli yrittää ratkaista. Yleisimmät koneoppimistehtävät voidaan jakaa karkeasti kolmeen pääluokkaan: ohjattu oppiminen, ohjaamaton oppiminen ja vahvistusoppiminen.

Ohjatussa oppimisessa mallille annetaan merkittyä dataa, eli syötteiden lisäksi myös halutut tulosteet. Tavoitteena on oppia funktio, joka ennustaa tulosteen syötteen perusteella. Tyypillisiä ohjatun oppimisen tehtäviä ovat luokittelu, jossa malli ennustaa kategorista arvoa (esim. onko kuva kissa vai koira), ja regressio, jossa ennustetaan jatkuvaa numeerista arvoa (esim. asunnon hinta).

Ohjaamattomassa oppimisessa mallille annetaan merkkaamatonta dataa, ja sen tehtävänä on löytää datasta piileviä rakenteita tai malleja. Yleisiä ohjaamattoman oppimisen tehtäviä ovat klusterointi, jossa data jaetaan samankaltaisiin ryhmiin, ja dimensionaalisuuden vähentäminen, jossa moniulotteinen data projisoidaan matalampiulotteiseen tilaan säilyttäen olennaiset ominaisuudet.

Vahvistusoppimisessa agentti oppii tekemään päätöksiä vuorovaikutuksessa ympäristön kanssa maksimoidakseen palkkionsa. Agentti oppii kokeilemalla ja saamalla palautetta (palkkioita tai rangaistuksia) toimistaan. Tehtäviin kuuluvat esimerkiksi pelien pelaaminen tai robotiikan ohjaus.

Näiden pääluokkien lisäksi on myös muita erikoistuneempia tehtäviä, kuten poikkeamien havaitseminen ja suositusjärjestelmät, jotka usein pohjautuvat edellä mainittuihin perusperiaatteisiin. Tehtävän valinta riippuu täysin siitä, minkä tyyppistä ongelmaa ollaan ratkaisemassa ja millaista dataa on saatavilla.