Učení bez učitele

Abstract

Cílem zadání této práce bylo, seznámit se a prozkoumat problematiku učení bez učitele. Učení bez učitele se využívá pro sledování dat, kdy nejsou poskytována data od učitele, tj. chybí trénovací množina. Data, která se sledují, se vysvětlují pomocí matematických modelů-statistický přístup, deterministický přístup. Nejprve je nutné se zaměřit na nejdůležitější části tématu učení bez učitele. Jednou z nejpodstatnějších častí, jíž se celý projekt zabývá, je shluková analýza. Konečným výsledkem podrobného zkoumání a rozebrání shlukové analýzy je jednoduchý program realizovaný v jazyce C ++. Podstatou analýzy je popis práce s jednotlivými proměnnými, s nimiž jsou prováděny různé matematické operace. Metriky jsou jednou z podstatných částí shlukové analýzy. Zde jsou řešeny vzájemné podobnosti mezi objekty a počítání jejich vzájemné vzdálenosti pro další shluky. Opomíjeny nemohou být ani další metody patřící do učení bez učitele. Další neméně významnou analýzou je analýza hlavní komponent nebo faktorová analýza. Snahou projektu bylo vytvořit průřez metodami, které se podílejí na strojovém učení, v našem případě u učení bez učitele.

The aim of the (diploma) thesis was to identify problems of unsupervised learning. At first I focus on the most essential parts of unsupervised learning. One of the most fundamental parts, on which the project is focused on, is cluster analysis. I give a detailed description of cluster analysis and the final product is a single program which was programmed in C++ language. At analysis I describe tasks with particular variables which I use to run various mathematical operations. At metrics which belong to the most important part of cluster analysis I am concerned with mutual similarity relations between objects and I compute their inter-cluster distances for other clusters. Furthermore, I do not omit other methods belonging to unsupervised learning, principal components analysis and factor analysis are not less important. In my project I attempted to do a survey of methods which are involved in machine learning, in our case in unsupervised learning.