Внутри ИИ
Машинное обучение 101
Различные методы ML и их сильные стороны
Эпоха Hal-9000 🤖, Скайнета и всезнающих роботов чаще всего ассоциируется с ИИ. Эра искусственного интеллекта настала, это нельзя отрицать. ИИ повсюду вокруг нас и разрушает все известные нам отрасли, но многие задаются вопросом: что такое ИИ? ИИ - это довольно обширная тема, если вы когда-нибудь говорили с вами, Siri, Alexa или Google, вы взаимодействовали с ИИ. В нашем мире появляется новый ценный ресурс - Данные. Данные - это довольно новый ресурс, который большинство компаний пытается собрать для продажи. Все собранные данные накопились до такой степени, что люди больше не могут организовывать этот ресурс в «полезные» представления. Именно здесь на помощь приходит ИИ и его различные предметы. В этой статье я собираюсь рассказать о трех основные методы и бонусный метод😉.
Обучение с учителем 🤔
Когда у вас есть набор данных с определенными значениями (например, набор изображений собак, аудио с соответствующими расшифровками и т. Д.), Обычно классифицируется как контролируемое обучение. Думайте об этом как о человеке, который «контролировал» изображения в разные группы для обучения и тестирования модели машинного обучения.
Задачи контролируемого обучения можно сгруппировать в задачи регрессии и классификации.
- Классификация: проблема классификации возникает, когда выходной переменной является категория, например «красный» или «синий» или «болезнь» и «отсутствие болезни».
- Регрессия. Проблема регрессии возникает, когда выходной переменной является действительное значение, такое как «доллары» или «вес».
Обучение без учителя 🧐
Представьте, что у вас есть набор данных и вы пытаетесь найти корреляции между разными наборами, но поскольку вы не знаете, сколько их существует. Вот где можно использовать обучение без учителя.
Проблемы обучения без учителя могут быть далее сгруппированы в проблемы кластеризации и ассоциации.
- Кластеризация. Проблема кластеризации заключается в том, что вы хотите обнаружить неотъемлемые группировки в данных, например группировку клиентов по покупательскому поведению.
- Ассоциация: проблема изучения правил ассоциации - это когда вы хотите найти правила, которые описывают большие части ваших данных, например, люди, которые покупают продукт Z, также склонны покупать продукт Y.
Обучение с подкреплением
Обучение с подкреплением обычно используется для целевых программ или для повышения эффективности программы. В связи с конкретными целевыми программами форма алгоритма реализуется агентом . Этот агент взаимодействует со своей средой, и в соответствии с тем, что программа определяет как положительное взаимодействие, идентификатор агента вознаграждает положительным вознаграждением, и наоборот, за отрицательные взаимодействия. Возвращаемое значение будет состоянием, которое будет включать в себя текущую ситуацию, точки и т.д., возвращаемые агенту для повторения цикла до тех пор, пока программа не будет завершена. Цель агентов - максимизировать вознаграждение, ведущее к максимальной эффективности.
Золотая середина🤯 ???
КАКИЕ!! Растет часть ML, называемая полу-контролируемым обучением. Цель полууправляемой модели - классифицировать некоторые немаркированные данные с использованием помеченного набора информации. Это особенно полезно, если у вас есть полубольшой или большой объем данных и вам нужно, чтобы они были классифицированы как помеченные за короткий промежуток времени, полу-контролируемое обучение может предоставить вам это преимущество.
особенно при работе с крупные компании или нишевые наборы данных. Классификация некоторых данных вручную может быть утомительной, и заставить компьютер сделать это намного быстрее, но в нынешнем положении с полу-контролируемым обучением большим недостатком является точность, потому что наборы данных, на которых обучается ML, малы, это оставляет много вариаций в классификации, приводящих к ошибкам. Вот почему алгоритмы полууправляемого обучения используются для прототипов и ранних стадий разработки.
Проще говоря….
Думайте о моделях машинного обучения как об ученике в классе с уравнением на доске.
Контролируемое обучение - это ученик, который видит уравнение с ответом, и учителя, который им помогает.
Неконтролируемое обучение в качестве ученика с уравнением в пустой комнате, когда учитель заскакивает, чтобы узнать, правильно ли он ответил.
Полу-контролируемое обучение в качестве ученика с другим уравнением, которое необходимо экстраполировать, чтобы получить ответ на другое уравнение.
Обучение с подкреплением, когда студент угадывает разные способы и получает + или - баллы за правильный, неправильный или близкий ответ.
Спасибо, что прочитали мою статью, и я надеюсь, что вы узнали больше о области машинного обучения. Это означало бы для меня все, если бы вы могли поддержать меня как автора….