Что такое машинное обучение?
Машинное обучение - это небольшая прикладная область искусственного интеллекта, в которой машины автоматически учатся на операциях и совершенствуют себя, чтобы повысить производительность. Основываясь на собранных данных, машины, как правило, работают над улучшением компьютерных программ в соответствии с требуемым результатом. Благодаря этой способности машины учиться самостоятельно, явное программирование этих компьютеров не требуется. Это уже просочилось в нашу жизнь везде без нашего ведома. Практически каждая машина, которую мы используем, и машины с передовыми технологиями, которые мы наблюдаем в последнее десятилетие, включают машинное обучение для повышения качества продукции. Некоторыми примерами машинного обучения являются автомобили с автоматическим управлением, расширенный поиск в Интернете, распознавание речи.
Основная цель людей - разработать алгоритм обучения машин таким образом, чтобы он помогал машинам учиться автоматически без какого-либо вмешательства человека. Обучение, тем не менее, зависит от данных, которые поступают, где машины наблюдают и распознают некоторые закономерности и тенденции. С каждой новой точкой данных понимание машины улучшается, а выходные данные становятся более согласованными и надежными. Данные могут быть числовыми значениями, непосредственными впечатлениями, изображениями и т. Д., Что также способствует тому, как мы подходим к любой проблеме, которую хотели решить, с помощью машинного обучения. Кроме того, существуют различные типы подходов машинного обучения, основанные на типе результата, который вам нужен.
Разница между обычным программированием и машинным обучением
Обычное программирование = Логика запрограммирована + Данные вводятся + Логика запускается на данных + Выход
Машинное обучение = ввод данных + ввод ожидаемого результата + запуск его на машине для обучения алгоритма от ввода к выводу, короче говоря, пусть он создает свою собственную логику для перехода от ввода к выводу + обученный алгоритм, используемый на тестовых данных для прогнозирования
Методы машинного обучения
У нас есть четыре основных типа методов машинного обучения, основанных на том типе обучения, который мы ожидаем от алгоритмов:
1. Контролируемое машинное обучение
Контролируемые алгоритмы обучения используются, когда выходные данные классифицированы или помечены. Эти алгоритмы извлекают уроки из прошлых введенных данных, называемых обучающими данными, проводят их анализ и используют этот анализ для прогнозирования будущих событий любых новых данных в рамках известных классификаций. Точный прогноз тестовых данных требует больших данных, чтобы иметь достаточное понимание шаблонов. Алгоритм можно обучать дальше, сравнивая результаты обучения с фактическими и используя ошибки для модификации алгоритмов.
Пример из реальной жизни:
- Классификация изображений . Алгоритм составлен на основе данных с маркированными данными. Алгоритм обучен, и ожидается, что в случае нового изображения алгоритм классифицирует его правильно.
- Прогнозирование рынка - это также называется регрессией. Исторические данные бизнес-рынка поступают на компьютер. С помощью алгоритма анализа и регрессии прогнозируется новая цена на будущее в зависимости от переменных.
Давайте перейдем к следующим основным типам методов машинного обучения.
2. Неуправляемое машинное обучение
Алгоритмы обучения без учителя используются, когда мы не знаем о конечных результатах, а классификация или маркированные результаты не находятся в нашем распоряжении. Эти алгоритмы изучают и генерируют функцию для описания полностью скрытых и немаркированных шаблонов. Следовательно, нет правильного вывода, но он изучает данные, чтобы выдать неизвестные структуры в немаркированных данных.
Пример из реальной жизни:
- Кластеризация - данные с аналогичными характеристиками просят сгруппировать по алгоритму, эта группировка называется кластерами. Они оказываются полезными при изучении этих групп, которые можно более или менее применять ко всем данным в кластере.
- Данные больших размеров. С данными большого размера обычно нелегко работать. С помощью неконтролируемого обучения становится возможной визуализация данных большого размера
- Генеративные модели - как только ваш алгоритм проанализирует и определит распределение вероятностей входных данных, его можно использовать для генерации новых данных. Это оказывается очень полезным в случае отсутствия данных.
3. Усиление машинного обучения
Этот тип алгоритма машинного обучения использует метод проб и ошибок, чтобы произвести вывод, основанный на самой высокой эффективности функции. Выходные данные сравниваются для выявления ошибок и обратной связи, которые поступают обратно в систему для улучшения или максимизации ее производительности. Модель снабжена наградами, которые в основном являются обратной связью и наказаниями за ее действия при выполнении определенной цели.
4. Полу-контролируемое машинное обучение
Эти алгоритмы обычно используют помеченные и немеченые данные, где объем немеченых данных велик по сравнению с помеченными данными. Поскольку он работает как с алгоритмами обучения под наблюдением, так и между ними, то он называется машинным обучением с полууправлением. Системы, использующие эти модели, имеют повышенную точность обучения.
Пример . Архив изображений может содержать только некоторые данные, помеченные, например. Собака, кошка, мышь и большая часть изображений остаются без ярлыка.
Модели, основанные на виде выходов из алгоритмов
Ниже приведены типы моделей машинного обучения, основанные на результатах, которые мы ожидаем от алгоритмов:
1. Классификация
Существует разделение классов входных данных, система создает модель из обучающих данных, в которой она назначает новые входные данные одному из этих классов.
Это подпадает под эгидой контролируемого обучения. Примером из реальной жизни может служить фильтрация спама, когда сообщения электронной почты являются входными данными, которые классифицируются как «спам» или «не спам».
2. Регрессия
Алгоритм регрессии также является частью контролируемого обучения, но отличие состоит в том, что выходные данные являются непрерывными переменными, а не дискретными.
Пример - прогнозирование цен на жилье с использованием прошлых данных
3. Уменьшение размерности
Этот тип машинного обучения связан с анализом исходных данных и сводит их только к соответствующим для использования в разработке моделей. Выбор характеристик, т. Е. Выбор входных данных и извлечение признаков, являются дополнительными темами, которые необходимо учитывать для лучшего понимания уменьшения размерности.
На основе вышеупомянутых различных подходов необходимо рассмотреть различные алгоритмы. Некоторые очень распространенные алгоритмы: линейная и логистическая регрессия, K-ближайшие соседи, деревья решений, машины опорных векторов, случайный лес и т. Д. С помощью этих алгоритмов сложные задачи решения могут иметь чувство направления, основанное на огромном количестве данных, Чтобы достичь этой точности и возможностей, необходимо предоставить дополнительные ресурсы, а также время. Машинное обучение, используемое вместе с искусственным интеллектом и другими технологиями, более эффективно для обработки информации.
Рекомендуемые статьи
Это было руководство по типам машинного обучения. Здесь мы обсудили концепцию, другой метод и различные виды моделей для алгоритмов. Вы также можете просмотреть наши другие Предлагаемые статьи, чтобы узнать больше -
- Методы машинного обучения
- Что такое глубокое обучение
- Что такое машинное обучение?
- Введение в машинное обучение
- Гиперпараметр машинного обучения