Почему машинное обучение?
Машинное обучение - это все, что вы слышите в наши дни. Все заинтересованы в этом, и вот почему вы должны быть заинтересованы в этом.
Это то, что используют самые передовые технологии вокруг нас. Например, распознавание лиц на вашем телефоне, распознавание речи, системы рекомендаций на Netflix, беспилотные автомобили, обнаружение мошенничества с кредитными картами, обнаружение рака, игровое обучение и т. Д. Его приложения безграничны и бесконечны.
Это то же самое, что и искусственный интеллект?
Искусственный интеллект огромен и включает в себя множество областей, таких как обработка естественного языка, компьютерное зрение, робототехника, экспертные системы и т. д.
Машины Обучение - еще одна такая область в рамках искусственного интеллекта.
Что такое машинное обучение?
Чтобы машина со временем узнала что-то новое и, в свою очередь, сделала ее более компетентной в принятии лучших решений / самостоятельных точных прогнозах.
Давайте рассмотрим машину / бота, движущуюся по дороге, полной неудач. Использует ли приведенный ниже код машинное обучение?
if obstacle seen:
if obstacle on right:
Move left
if obstacle on left:
Move right
if obstacle ahead:
Stop and move left/right
if no obstacle:
continue straight
Нет, это не так!
Во-первых, машина / бот ничего не изучает и не делает ничего нового. Он просто следует данным инструкциям, как клоун! Если бы мы делали самоуправляемые автомобили таким образом, у нас было бы много проблем. Теперь вы можете спросить, что не так с приведенным выше кодом? В реальном мире на дороге, по которой едет машина, может произойти миллион непредвиденных обстоятельств. Мы не можем кодировать все миллионы добродетелей, которые могут произойти.
Например: допустим, есть препятствия слева, справа и впереди машины, она сначала пойдет направо, затем налево, а затем остановится, когда увидит препятствие перед собой, что приведет к разного рода хаосу. и неудачи. Вот тут-то и приходит на помощь машинное обучение. Когда возникают непредвиденные ситуации, ожидается, что автомобиль сам примет точное и безопасное решение.
Машинное обучение: классификация
Каждая система, использующая машинное обучение, обучается на больших объемах данных, прежде чем сможет делать точные прогнозы. Различные способы обучения в соответствии с необходимыми сценариями реального мира приводят к приведенной ниже классификации.
- Контролируемое обучение:
Перед тем, как сделать прогноз, система обучается на данных, и во время обучения машине передаются правильные прогнозы / решения, чтобы она могла исправить это, даже если она сделает ошибка, таким образом, не допустив этой ошибки в будущем.
Здесь для каждого входного X, принятого моделью, он дает выходной Y.
Пример из реальной жизни. Ребенок ошибочно воспринимает автобус как грузовик. Воспитатель поправляет его, чтобы ребенок узнал, что делает автобус АВТОБУСОМ. Ребенок узнает некоторые особенности автобуса, например, много оконных стекол, большое количество сидений и т. Д., Которые помогут ему правильно распознать автобус в будущем.
Некоторые примеры контролируемого обучения: Регрессия, Классификация, обнаружение объектов и т. Д. Если вы не знакомы с терминами, не волнуйтесь. Мы рассмотрим это один за другим. - Неконтролируемое обучение:
В неконтролируемом обучении нет такого аспекта, как правильные или неправильные прогнозы / решения во время обучения. Модель может по-своему воспринимать данные. Он обнаруживает закономерности и информацию о входных данных, которые не были обнаружены ранее.
Здесь для каждого входного X, принятого моделью, он не производит какого-либо вывода Y.
Пример из реальной жизни. Предположим, ребенку дают несколько игрушек и просят их разделить. Он заканчивает тем, что разделяет их, как показано.
Здесь нет правильного и неправильного. Обе классификации, сделанные ребенком, верны. В первой классификации он классифицировал их по цвету, а в второй классификации он сгруппировал игрушки по номеру. колес.
Некоторыми примерами обучения без учителя являются кластеризация, рекомендательные системы, уменьшение размерности и т. д. Не беспокойтесь, если вы сейчас придерживаетесь этих условий.
3. Обучение с подкреплением:
Здесь модель обучается с использованием поощрений и наказаний. Проще говоря, если модель принимает правильное решение, она вознаграждается, но если она принимает неправильное решение, она наказывается.
Пример из реальной жизни. Предположим, мы дрессируем собаку. для выполнения задания произнесите рукопожатие. Если собака пожмет руку, она получит пять угощений в качестве награды.
Если она не пожмет руку, давайте НЕ наказывать нашу бедную собаку и давать одно угощение вместо пяти. Таким образом, после многих испытаний наша собака узнает, что она получает вознаграждение за каждое правильное задание. То же самое и с моделью машинного обучения.
Пример: обучение агента машинного обучения игре.
Предлагаем вам забавную игру под названием Quick Draw. Он демонстрирует одну из замечательных возможностей машинного обучения.
Если вы считаете, что все это чисто теоретическое, не волнуйтесь, мы запачкаем руки некоторым кодом на Python и углубимся в алгоритмы машинного обучения в нашем предстоящие статьи.
Следите за обновлениями.
