Машинное обучение без учителя

Гипервизор — программное обеспечение для создания, запуска и контроля виртуальных машин. На них могут быть установлены разные операционные системы (ОС). Они изолированы от аппаратных систем и используют ресурсы виртуального компьютера, на котором запущены.

При неконтролируемом обучении алгоритму не сообщается конечная цель или шаблоны, а только предоставляются массивы данных — общие признаки распознаются автоматически.

В неконтролируемом машинном обучении используется три алгоритма обработки данных:

• Ассоциативные алгоритмы. Предназначены для нахождения данных или параметров, которые часто используются вместе. Например, ассоциативные алгоритмы помогают предлагать клиенту третий товар на основе двух выбранных.

• Снижение размерности. Подразумевает преобразование данных для уменьшения их числа и выделения основных переменных. Метод используется для удаления из выборки неинформативных и избыточных данных, усложняющих обработку.

• Кластеризация. Подразумевает разделение объектов (данных) из выборки на отдельные кластеры. То есть, при кластеризации алгоритмы изучают исходные данные, находят между ними взаимосвязи и создают на их основе группы.

По типам кластеризацию принято делить на:

• восходящую — есть кластеры и подкластеры с четкой иерархией;

• нисходящую — объекты сразу делятся на классы;

• исключающую — каждый объект относится только к одному классу;

• перекрывающую — объект относится к нескольким группам или находится между двумя кластерами;

• нечетную — отношение некоторых объектов невозможно определить;

• полную — каждый объект непременно относится к одному из кластеров;

• частичную — некоторые объекты могут не относиться к группам.

Неконтролируемое обучение может применяться для:

• автоматического разделения наборов данных на группы в соответствии с выявленным сходством;

• обнаружения аномалий и нетипичных показателей в наборах данных;

• определения наборов элементов, показателей и признаков, которые часто встречаются в обрабатываемых данных;

• предварительной обработки данных, в том числе для разделения наборов на части и уменьшения количества объектов в наборах.

Неконтролируемое машинное обучение может использоваться для выполнения задач любой сложности — главное собрать достаточный массив данных и использовать специализированные инструменты или сервисы. Например, можно использовать платформу для совместной ML-разработки с ускорением до +1700 GPU Tesla v100 и A100 ML Space, на которой разработчикам доступны наборы сервисов для переноса данных и управления артефактами, готовые окружения для препроцессинга и обучения, а также инструменты для деплоя и тестирования моделей.