From Inductive Learning Towards Interactive Inductive Learning

From Inductive Learning Towards Interactive Inductive Learning Growing amount of information in the world encourage the use of automatic data processing techniques that reduce humans routine work. There is a wide range of methods used for machine learning; however inductive learning algorithms are preferable in the systems where understanding of decision making steps and further processing of results is needed, for instance the expert systems, where the rules induced by learning algorithms can be used. As the classification tasks are getting more complicated computer program may not make enough informed decision by itself. In such situations collaborative approach between machine and systems user (expert) would be useful. Inductive learning system learns classification from training examples and uses induced rules for classifying new cases. If a decision cannot be inferred from rules base, a guess is performed. Interactive inductive system in uncertain conditions could ask human for decision and improve its knowledge base with the rule derived from this human-made decision. The paper summarises approaches discussed in related works and classifies them by the phase in inductive learning process in which the human interaction appears. As a result a new approach to interactive inductive system is presented. Conceptual example of topographical map classification using this system is demonstrated. No induktīvās apmācības uz interaktīvu induktīvo apmācību Pieaugošais informācijas apjoms pasaulē ir veicinājis tādu automātisku datu apstrādes tehniku attīstību, kas spēj atvieglot cilvēka rutīnas darbu. Mašīnapmācībā tiek izmantots plašs metožu klāsts, tomēr sistēmās, kur cilvēkam nepieciešams saprast lēmuma pieņemšanas ceļu, kā arī tālāk apstrādāt iegūto rezultātu, ir novērtējamas induktīvās apmācības metožu priekšrocības. Piemēram, ekspertu sistēmu zināšanu bāzēs var tikt izmantoti induktīvās apmācības iegūtie likumi. Induktīvā apmācība ir mācīšanās no piemēriem, kad no konkrētiem gadījumiem tiek inducēts vispārīgs klasifikators, kuru iespējams izmantot jaunu piemēru klases piederības noteikšanai. Klasifikācijas uzdevumiem kļūstot arvien sarežgītākiem, induktīvās apmācības rezultātu uzlabošanai var tikt izmantota sadarbība ar sistēmas lietotāju (ekspertu). Ja jauna piemēra klasifikācijai nepietiek ar apmācībā iegūtajām zināšanām, sistēmai jāveic minējums. Interaktīvas induktīvās apmācības gadījumā sistēma varētu vaicāt padomu cilvēkam situācijā, kad nav iespējams pārliecinoši veikt klasifikāciju, kā arī papildināt savu likumu bāzi ar jauniegūtajām zināšanām. Šajā rakstā apkopotas dažādas literatūrā aprakstītas pieejas interaktīvam apmācību procesam, kā arī veikta to klasifikācija, atkarībā no apmācības etapa, kurā cilvēka iesaistīšana notiek. Tiek piedāvāta jauna sistēma interaktīvas induktīvas apmācības veikšanai, kā arī demonstrēts konceptuāls piemērs, kurā šī sistēma klasificē topogrāfiskas kartes. От индуктивного обучения к интерактивному индуктивному обучению В мире всё прирастающий объём информации способствовал развитие таких автоматических техник обработки данных, которые облегчают рутинную работу человека. В машинномобучении используется обширный круг методов, однако в системах, в которых человек должен понять последовательность принятия решения, а также дальше обрабатывать полученный результат, проявляются преимущества методов индуктивного обучения. Например, в экспертных системах, база знаний может пополнятся за счет законов полученных в индуктивном обучении. Индуктивным обучением является обучение на примерах, когда на основе конкретных случаев индуцируеться общий классификатор, который можно использовать для определения принадлежности класса новых примеров. Для улучшения результатов индуктивного обучения при возврастании сложности заданий классификации можно использовать сотрудничество с пользователем (экспертом) системы. Если для классификации нового примера знаний получённых в обучении недостаточно, система должна строить предложение. В случае интерактивного индуктивного обучения система могла бы просить совет пользователя в ситуации, когда нельзя убедительно классифировать, а также дополнить свою базу законов новоприобретёнными знаниями. В данной статье обобщены различные подходы к процессу интерактивного обучения описанные в литературе, а также проведена их классификация в зависимости от этапа обучения, на котором происходит вовлечение человека. Предлагается новая система для реализации интерактивного индуктивного обучения, а также демонстрируется концептуальный пример, в котором эта система классифицирует топографические карты.