Mi az a gépi tanulás?

A gépi tanulás (angolul: machine learning) a mesterséges intelligencia egyik részterülete. Lényege, hogy a számítógépes rendszer nem előre megírt szabályok alapján működik, hanem adatokból általánosít, és tapasztalatai alapján javítja teljesítményét.

A fogalmat Arthur Samuel vezette be 1959-ben: „a számítógép azon képessége, hogy explicit programozás nélkül tanuljon". Azóta a terület hatalmasat fejlődött, és mára az adattudományban, orvostechnikában, közlekedésben és pénzügyekben egyaránt alapvető szerepet tölt be.

Fontos megkülönböztetés: A gépi tanulás nem azonos az automatizálással. Egy szabályalapú rendszer pontosan azt csinálja, amire programozták. Egy gépi tanulási rendszer ezzel szemben a példákból von le következtetéseket, amelyeket nem programoztak bele.

Alapfogalmak

Modell

A modell az a matematikai struktúra, amely az adatok alapján döntéseket hoz vagy előrejelzéseket tesz. A tanítás során a modell paraméterei módosulnak úgy, hogy minél pontosabban közelítsék a kívánt kimenetet. Egy kész modell bemenetként fogadja az új adatot, és a megtanult összefüggések alapján eredményt ad vissza.

Például: egy modell, amelyet macska- és kutyaképeken tanítottak, képes egy ismeretlen fotóról megállapítani, melyik állatot ábrázolja.

Adathalmaz (dataset)

Az adathalmaz a tanításhoz és kiértékeléshez használt példák gyűjteménye. Általában három részre osztják:

  • Tanítókészlet (training set): a modell ezen tanul, ebből állítja be a paramétereit.
  • Validációs készlet (validation set): a tanítás közben a modell teljesítményét ezen mérik, hogy megakadályozzák a túlillesztést.
  • Tesztkészlet (test set): végső értékelés, amelybe a modell a tanítás alatt nem látott be.

A tipikus felosztás 70–80% tanítás, 10–15% validáció, 10–15% teszt, bár ez adatonként változhat.

Jellemzők (features)

A jellemzők azok a mért, számszerűsített tulajdonságok, amelyeket a modell bemenetként kap. Például lakásárak előrejelzésénél jellemző lehet az alapterület, a szobaszám, az elhelyezkedés vagy az építés éve. A megfelelő jellemzők kiválasztása (feature engineering) a gépi tanulás egyik kulcslépése.

Tanítás (training)

A tanítás az a folyamat, amelynek során a modell a tanítókészlet mintáiból állítja be belső paramétereit. A legtöbb algoritmusnál ez egy optimalizálási feladat: egy veszteségfüggvény (loss function) alapján mérik, mennyire pontos a modell, majd fokozatosan csökkentik a hibát.

A gradient descent (gradiens-ereszkedés) az egyik legelterjedtebb optimalizálási eljárás: minden lépésben a veszteség csökkentésének irányába módosítja a paramétereket.

Túlillesztés és alulillesztés

Ha a modell túlságosan „megjegyzi" a tanítóadatokat, elveszíti az általánosítóképességét — ez a túlillesztés (overfitting). Az ilyen modell jól teljesít a tanítókészleten, de rosszul az új adatokon.

Az alulillesztés (underfitting) ezzel ellentétes: a modell nem elég összetett ahhoz, hogy a mintázatokat megtanulja, és gyenge eredményt ad még a tanítókészleten is.

# Egyszerű példa sklearn-nel (Python) from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) model = LinearRegression() model.fit(X_train, y_train) score = model.score(X_test, y_test) print(f"Teszt R²: {score:.3f}")

A gépi tanulás típusai

A gépi tanulást három fő kategóriába sorolják aszerint, milyen visszajelzés alapján tanul a rendszer:

  • Felügyelt tanulás (supervised learning): a tanítóadatokhoz ismert célértékek tartoznak. Pl. spam-szűrő, ahol minden e-mail „spam" vagy „nem spam" jelöléssel rendelkezik.
  • Felügyelet nélküli tanulás (unsupervised learning): nincs előre megadott célérték, a modell az adatok struktúráját tárja fel. Pl. vásárlói szegmentáció.
  • Megerősítéses tanulás (reinforcement learning): az ágens cselekedetek révén kap jutalmakat vagy büntetéseket, és ezek alapján tanul optimális stratégiát.

Kiértékelési mutatók

A modell teljesítményét különböző mutatókkal értékelik. Osztályozási feladatoknál ilyen a pontosság (accuracy), a precizitás (precision) és a visszahívás (recall). Regressziónál az MSE (átlagos négyzethibák átlaga) és az R² koefficiens a leggyakrabban használt jelzőszámok.

Magyarországi adattudományi munkahelyeken — amelyek részletes felsorolása megtalálható a KSH és az iparági szövetségek anyagaiban — a scikit-learn és a pandas könyvtárak dominálnak a bevezető szintű projekteknél.

Összefoglalás

A gépi tanulás alapjainak megértéséhez elengedhetetlen a modell, adathalmaz, tanítás és kiértékelés fogalmainak ismerete. Ezek a koncepciók minden algoritmusnál visszatérnek, legyen szó egyszerű lineáris regresszióról vagy összetett mélyhálózatról.