Машинное обучение для новичков

Вступление

В настоящее время машинное обучение используется повсюду, от прогнозной аналитики Netflix до беспилотных автомобилей. Мы используем эту передовую технологию в повседневной жизни, даже не осознавая этого. В последние несколько лет его популярность растет, все больше и больше людей интересуются машинным обучением и хотели бы узнать о нем больше.

Если вы один из таких людей, знакомы вы с этим или нет, то эта статья для вас.

Но прежде чем мы полностью перейдем к машинному обучению, мы сначала проясним различия между искусственным интеллектом (AI), машинным обучением (ML) и глубоким обучением (DL), поскольку люди обычно кладут их в одну сумку, поскольку это немного двусмысленно. .

Разница между AI, ML и DL

Что такое искусственный интеллект?

Искусственный интеллект, эта технология, которая революционизирует все, представляет собой раздел информатики, посвященный созданию интеллектуальных машин, имитирующих поведение человека. Мы можем разделить ИИ на две основные темы: слабый и сильный.

Слабый ИИ, также называемый узким, представляет собой искусственный интеллект с ограниченными функциями. Это относится к машинам, которые используют продвинутые алгоритмы для решения конкретных задач или задач рассуждения. Например, голосовые персональные помощники, такие как Siri и Alexa, могут считаться слабыми программами искусственного интеллекта, потому что они работают в рамках ограниченного заранее определенного набора функций, что означает, что у них часто есть запрограммированный ответ.

В то время как сильный ИИ - это искусственный интеллект, который может заставить машины развивать человеческое сознание. Это относится к машинам или программам с собственным разумом, которые могут думать и выполнять сложные задачи самостоятельно без какого-либо вмешательства человека. Этот уровень сознания еще не достигнут, но он очень быстро развивается, и мы можем увидеть это очень скоро.

Искусственный интеллект бывает трех разных типов:

1 - Реактивная машина

Этот вид искусственного интеллекта является чисто реактивным и не обладает способностью формировать воспоминания или использовать прошлый опыт для принятия решений. Эти машины предназначены для выполнения определенных работ.

2 - Ограниченная память

Этот вид искусственного интеллекта использует прошлый опыт и настоящие данные для принятия решения.

3 - Теория разума

Такие машины могут общаться и понимать человеческие эмоции. Они попытаются имитировать эти эмоции.

Искусственного интеллекта можно достичь с помощью машинного обучения.

Что такое машинное обучение?

Машинное обучение - это подраздел искусственного интеллекта. Это наука о том, как заставить компьютеры учиться и действовать как люди, скармливая им данные и информацию без явного программирования. Проще говоря, машинное обучение дает искусственному интеллекту способность учиться.

Глубокое обучение - это особый способ машинного обучения.

Что такое глубокое обучение?

Глубокое обучение - это автономная самообучающаяся система, в которой мы используем существующие данные для обучения алгоритмов поиску закономерностей, а затем используем их для прогнозирования новых данных. Он способен имитировать нейронную сеть человеческого мозга. Например, предположим, что мы построили робота и хотим, чтобы он нас узнал. Мы бы обучили его, снабдив его программу тысячами изображений, будь то мы или нет. Затем наш робот будет устанавливать закономерности путем классификации и кластеризации данных изображения. Затем эти паттерны сформируют прогностическую модель, которая сможет взглянуть на новый набор изображений и предсказать, содержат ли они нас или нет.

Я хотел бы представить вам еще один способ машинного обучения, который называется обучением с подкреплением.

Обучение с подкреплением (RL) - это процесс обучения в среде посредством обратной связи с поведением ИИ. В детстве нам приходилось учиться ходить самостоятельно, никто толком не говорил нам, как ходить, мы просто тренировались, спотыкались снова и снова, пока не получили это и, наконец, поставили одну ногу перед другой. То же самое и с машинами: мы скармливали им данные и позволяли им учиться сами по себе. Они получат опыт, как люди, совершая ошибки, и извлекут уроки из него (невероятно, правда?)

Прежде чем перейти к машинному обучению, вот небольшая схема, чтобы лучше понять взаимосвязь AI, ML, DL и RL.

Методы машинного обучения

У каждой технологии есть методы, способ работы, а в машинном обучении есть два популярных метода: обучение с учителем и обучение без учителя.

Обучение с учителем

Обучение с учителем - это процесс обучения с ярлыками обучения, но что это за ярлыки обучения? Что мы под этим подразумеваем? Чтобы лучше объяснить эту концепцию, представьте, что у вас есть ребенок (или, может быть, у вас уже есть?), Мы хотим научить этому ребенку название цветов. Например, мы могли бы показать ребенку красный цвет и сказать ему, что это красный цвет, затем показать ему зеленый цвет и сказать ему, что это зеленый цвет. Показывать ребенку цвет и говорить, какой это цвет, - это обучающая этикетка, поэтому, когда мы снова покажем ребенку зеленый цвет и спросим его, какой это цвет, он ответит либо зеленым, либо красным. Если он не даст правильный ответ, мы скажем ему, что он ошибается. Так работает обучение с учителем. Мы загружаем машину размеченными данными и позволяем ей обрабатывать их, а затем указываем на ошибки в процессе обучения.

Обучение без учителя

В отличие от обучения с учителем, обучение без учителя - это процесс обучения без ярлыков обучения. Это также называется кластеризацией или группировкой. Он не настраивается заранее для выбора конкретных типов данных, он просто ищет данные, которые можно сгруппировать по их сходству. Мы загружаем машину тоннами данных и позволяем ей учиться самой.

Подходы к машинному обучению

В машинном обучении есть разные подходы, или мы могли бы также назвать их алгоритмами. алгоритм - это набор правил и статистических методов, используемых для изучения закономерностей на основе данных и извлечения из них важной информации. Это логика модели машинного обучения.

Нам предлагается множество различных алгоритмов:

Контролируемые алгоритмы:

1 - Линейная регрессия:

Один из самых популярных алгоритмов, это алгоритм контролируемого обучения, который предсказывает результат на основе непрерывных функций. Приглашаем вас проверить эту ссылку, чтобы лучше понять линейную регрессию. Линейную регрессию можно использовать, например, для предсказания погоды.

2 - Дерево решений:

Он используется для целей классификации и регрессии. Деревья решений учатся на основе данных аппроксимировать синусоидальную кривую с помощью набора правил принятия решений «если-то-еще». Чем глубже дерево, тем сложнее решающие правила и точнее модель.

Посмотрите это интересное видео о деревьях решений!

3 - Машина опорных векторов:

Машина опорных векторов - это хорошо известный алгоритм контролируемой классификации, который создает разделительную линию между различными категориями данных.

4 - K-ближайшие соседи:

K-ближайших соседей - это алгоритм обучения с учителем, специализирующийся на классификации. Вот видео, которое это объясняет.

5 - Случайные леса:

Это популярный алгоритм ансамблевого обучения с учителем. «Ансамбль» означает, что требуется группа «слабых учеников» и заставляет их работать вместе, чтобы сформировать один сильный предсказатель.

Неконтролируемые алгоритмы:

1 - Кластеризация K-средних:

Кластеризация K-средних - это алгоритм классификации с обучением без учителя, обычно используемый для решения проблемы кластеризации.

K: представляет количество кластеров, введенных пользователем. В конечном итоге специалист по анализу данных должен выбрать правильное значение «k».

2 - Анализ главных компонентов:

Анализ главных компонентов (CPA) - это алгоритм уменьшения размерности, который может сделать несколько вещей для специалистов по данным.

Как правильно выбрать алгоритм

Как сообщает Dr. Хуэй Ли сказал:

При выборе алгоритма всегда учитывайте эти аспекты: точность, время обучения и простоту использования. Многие пользователи ставят точность на первое место, в то время как новички, как правило, сосредотачиваются на алгоритмах, которые им известны лучше всего.

Чтобы узнать, какой алгоритм лучше подходит для вашего случая, задайте себе следующие вопросы:

1 - Каков размер, качество и характер ваших данных?

2 - Что вы хотите сделать с данными?

3 - Как быстро вы хотите, чтобы это было?

4 - Насколько точным вы хотите быть?

Затем мы могли бы также проверить, какой алгоритм нам больше подходит, проверив их на наших данных.

Я приглашаю вас проверить эту ссылку для получения более подробной информации.

Приложение машинного обучения в реальном мире

Распознавание изображений:

Одним из наиболее распространенных способов использования машинного обучения является распознавание изображений. Есть много ситуаций, когда требуется распознавание изображений. Facebook действительно использует эту технологию, чтобы определять, есть ли чье-то лицо на опубликованном изображении, и спрашивает пользователя, хочет ли он идентифицировать этого человека или нет.

Распознавание изображений также можно использовать для поиска преступника в толпе людей. Машина обнаружит, находится ли разыскиваемый человек на изображении, сделанном камерой, в режиме реального времени.

Медицинский диагноз :

Машинное обучение предоставляет методы, приемы и инструменты, которые могут помочь в решении диагностических и прогностических проблем в различных областях медицины. Он может предсказывать прогрессирование заболевания, извлекать медицинские знания для исследования результатов. Машинное обучение также используется для анализа данных, такого как обнаружение закономерностей в данных путем надлежащего обращения с несовершенными данными, интерпретация непрерывных данных, используемых в отделении интенсивной терапии, а также для интеллектуального оповещения, что приводит к эффективному и действенному мониторингу.

Заключение

Мы увидели, в чем разница между искусственным интеллектом, машинным обучением и глубоким обучением. Мы видели разные подходы к машинному обучению, его разные алгоритмы, разные методы и то, как выбрать правильный алгоритм.

Искусственный интеллект - будущее человечества, мир развивается с большой скоростью. Двадцать лет назад мы бы и представить себе не могли все это, но вот мы здесь. Но мне интересно, является ли искусственный интеллект позитивным шагом для человечества? разве это не уничтожит нас? машины захватят мир? Достигнут ли ученые искусственного интеллекта, очень близкого к нашему?

Источники

Еще один мой друг порекомендовал мне эту увлекательную серию на Youtube!