index.qmd

# Wstęp {.unnumbered}

Książka ta jest napisana na potrzeby prowadzenia zajęć na kierunku *Inżynieria
i analiza danych* z przedmiotu *Zaawansowane metody uczenia maszynowego.* Jest
swego rodzaju autorskim podejściem do tematu, przedstawiającym wybrane metody
uczenia maszynowego, które rzadziej występują w opracowaniach na temat uczenia
maszynowego.

Uczenie maszynowe stanowi obszar intensywnego rozwoju, który obejmuje szereg
technik umożliwiających bardziej skomplikowane i wydajne modele predykcyjne.
Wśród tych metod warto wyróżnić głębokie sieci neuronowe, zwłaszcza
konwolucyjne sieci neuronowe (CNN) i rekurencyjne sieci neuronowe (RNN). CNN są
wykorzystywane w zadaniach przetwarzania obrazów, gdzie potrafią efektywnie
ekstrahować hierarchiczne cechy z danych wejściowych, natomiast RNN są
efektywne w analizie sekwencji danych, takich jak język naturalny. Ponadto,
metody uczenia maszynowego obejmują techniki transferu wiedzy, uczenie ze
wzmocnieniem, generatywne modele, takie jak generatywne sieci
przeciwdziedzinowe (GAN), czy też autokodery. Te nowoczesne podejścia
umożliwiają modelom uczącym się wykonywanie bardziej złożonych zadań, a także
adaptację do różnorodnych danych wejściowych, co sprawia, że są one stosowane w
obszarach takich jak rozpoznawanie obrazów, przetwarzanie języka naturalnego,
czy nawet w autonomicznych systemach decyzyjnych.

Ponadto, zaawansowane metody uczenia maszynowego obejmują także techniki
regularyzacji, optymalizacji i inżynierię cech. Regularyzacja ma na celu
zapobieganie przeuczeniu poprzez kontrolowanie złożoności modelu, natomiast
optymalizacja skupia się na dostosowywaniu wag modelu w celu minimalizacji
funkcji straty. Inżynieria cech polega na ręcznym lub automatycznym
dostosowywaniu danych wejściowych w celu uzyskania lepszych wyników modelu.
Dzięki tym zaawansowanym metodom, uczenie maszynowe staje się coraz bardziej
potężnym narzędziem w analizie danych i podejmowaniu skomplikowanych decyzji w
różnych dziedzinach.

Modele predykcyjne dla wielu wyjść, czyli tzw. *multi-target regression* *and*
*classification*, stanowią kolejny istotny obszar w dziedzinie uczenia
maszynowego. W przypadku *multi-target regression*, celem jest przewidywanie
wielu wartości wyjściowych dla danego zestawu wejściowego, co często spotyka
się w złożonych problemach predykcyjnych, takich jak prognozowanie wielu
parametrów jednocześnie. Z kolei w przypadku *multi-target classification*,
model ma za zadanie przypisanie jednego lub więcej klas dla każdego przykładu
wejściowego. Te modele są powszechnie stosowane w różnych dziedzinach, takich
jak bioinformatyka, finanse czy przemysł, gdzie jednoczesne przewidywanie wielu
zmiennych jest kluczowe dla skutecznego rozwiązania problemu. Wdrożenie takich
zaawansowanych modeli predykcyjnych wymaga starannej obróbki danych,
odpowiedniego dostosowania architektury modelu oraz precyzyjnej oceny wyników,
co sprawia, że są one istotnym narzędziem w obszarze analizy danych i
podejmowania decyzji.

Modele językowe stanowią jeszcze jeden kluczowy obszar w dziedzinie uczenia
maszynowego, skoncentrowany na zrozumieniu i generowaniu ludzkiego języka
naturalnego. Głębokie sieci neuronowe, zwłaszcza rekurencyjne sieci neuronowe
(RNN) i transformery, zostały skutecznie wykorzystane do tworzenia modeli
językowych o zdolnościach przetwarzania i generowania tekstu na poziomie
zbliżonym do ludzkiego. Te modele zdolne są do zrozumienia kontekstu, analizy
gramatyki, a także generowania spójnych i sensownych odpowiedzi. Wykorzystywane
są w różnorodnych zastosowaniach, takich jak tłumaczenie maszynowe, generowanie
tekstu, czy analiza nastroju w tekście. Ponadto, pre-trenowane modele językowe,
takie jak BERT czy GPT (Generative Pre-trained Transformer), zdobywają
popularność, umożliwiając dostosowanie ich do różnych zadań poprzez
fine-tuning. W miarę postępu badań i rozwoju w tej dziedzinie, modele językowe
stają się coraz bardziej zaawansowane, co przyczynia się do doskonalenia
komunikacji między maszynami a ludźmi oraz do rozwijania nowych możliwości w
dziedzinie przetwarzania języka naturalnego.

Wspomniane powyżej metody i modele będą stanowić treść wykładów z wspomnianego
na wstępie przedmiotu.