Обсуждение различных типов машинного обучения

Хотя, как и было обещано в предыдущей статье Машинное обучение для начинающих, часть 1, мы должны рассмотреть различные проблемы, которые можно решить с помощью машинного обучения, ... но прежде чем мы перейдем к этому, давайте посмотрим на разные типы машинного обучения, которые у нас есть, и на различные алгоритмы для каждого типа, которые мы рассмотрим в другой статье ..

Приступим ...

На изображении выше вы можете увидеть три типа машинного обучения и алгоритмы обучения каждого из них. Перечислим их еще раз.

  1. Контролируемое обучение
  2. Неконтролируемое обучение
  3. Обучение с подкреплением

Теперь обсудим каждый из них.

Обучение с учителем

Думайте об этом типе машинного обучения, как о учителе, который учит, что такое прибавление ученикам в классе, а затем дает им примеры, например, 2 + 2, 10 + 10, 5 + 7 и т. Д., Решает его за них и дает им ответ, например, 4, 20 , 12 и т. Д. Затем дает им задание и говорит, что они должны его выполнить.

С точки зрения машинного обучения ученик - это модель, примеры - это обучающие примеры (которые, конечно, представляют собой данные, в большом количестве), а ответы - это ярлыки.

Итак, идея состоит в том, что вы наполняете свою модель наборами данных с метками (т. Е. Вы даете модели ответы на все вопросы), сообщая вашей модели, что на одном изображении изображен мальчик, а на другом - девочка. , модель будет делать правильные прогнозы по другому вопросу на основе всех наборов данных, которые она видела со своими метками (ответы / выходные данные).

Возьмем, к примеру, проблему гендерной классификации, которую мы обсуждали в части 1, используя контролируемое обучение для решения этой проблемы, мы должны обучить нашу модель с помеченными данными, то есть изображениями, на которых есть мужчины и женщины всех рас (для охвата), (взрослый, подростковый возраст, младенцы) и обозначьте их соответствующим образом, мужское изображение должно быть обозначено как мужское, а женское - женское. По мере того, как модель смотрит на них и тренируется с этими изображениями, при любом изображении для тестирования она будет уметь делать правильные прогнозы, и на выходе будет мужчина / женщина.

Надеюсь, вы понимаете, что такое контролируемое обучение…

Контролируемое обучение подразделяется на классификацию и регрессию, которые мы обсудим в другой статье.

Давайте посмотрим на следующий тип машинного обучения.

Обучение без учителя

Вы когда-нибудь задумывались, сколько студентов университета делают это ... без достаточного количества лекций в классе мы читаем учебники по учебникам по определенному курсу, так что мы можем хотя бы знать, что записывать во время экзаменов ..

Я считаю, что мы гении, … но это не так.

Но именно так работает обучение без учителя, только в этом случае лекции нет вообще, нет ярлыка, обучающие примеры, данные модели, не помечены, поэтому модель должна иметь структуру в наборах данных, она пытается чтобы найти некоторые уникальные особенности, которые помогут дифференцировать данные.

Прежде чем продолжить, давайте определим ярлык и функцию,

Ярлык: правильный ответ на ввод, может быть числом или категориями.

Особенности: - это входные данные для модели, это отличительный атрибут примера, который модель использует для прогнозирования каждого входного сигнала.

Скажем так, учитывая проблему определения, есть ли у пациента рак или нет, метки будут «рак / нет рака», а признаками может быть возраст человека, если у человека были другие проблемы со здоровьем, если человек опухоль и тому подобное ...

Таким образом, при обучении без учителя модель создает шаблоны или кластеры, которые помогут ей делать правильные прогнозы. Кластеризация - это распространенный тип обучения без учителя.

Обучение с подкреплением

Типичный пример, используемый для объяснения этого типа машинного обучения: допустим, вы помещаете ребенка в комнату с помощью пульта дистанционного управления. Ребенок (агент) сначала будет смотреть на свое окружение (среду), пытаясь разобраться в этом (состоянии), а затем он начинает нажимать на пульт (действие), в зависимости от того, что происходит после удара пульта, т. Е. ответ телевизора (следующее состояние), если она, возможно, переключит канал на станцию, которая ей нравится и счастлива (положительное вознаграждение), но, если ответ телевизора скучный, возможно, он не реагирует или каналы недостаточно цепляют для нее (отрицательное вознаграждение), она будет продолжать нажимать на пульт, пока не получит удовлетворительный ответ.

Обучение с подкреплением (RL) - это область машинного обучения, касающаяся того, как программные агенты должны действовать в среде, чтобы максимизировать понятие кумулятивного вознаграждения.

Основное отличие RL от других типов машинного обучения - обратная связь.

Узнайте больше о различных типах машинного обучения здесь.

Надеюсь, вы хотя бы имеете представление о различных типах машинного обучения ... Если вы этого не сделаете, вы можете просмотреть статью еще раз или прочитать сторонние статьи по ссылкам, на которые есть ссылки.

Я знаю, что это довольно много, я стараюсь не писать об этом больше, чем должно быть, поэтому на этом мы остановимся ...

Я не забыл о том, что было обещано (проблемы, которые можно решить с помощью ML), извините…, мы рассмотрим это в следующей статье, которая будет частью 3.

Большое спасибо за чтение, удачного дня.