Машинное обучение
На высоком уровне машинное обучение — это просто способ поощрения компьютерной программы или расчета того, как постоянно улучшать поставленную задачу. С точки зрения исследования ИИ можно рассматривать с точки зрения гипотетической и численной демонстрации того, как работает эта процедура. С другой стороны, больше для всех намерений и целей это исследование того, как собрать приложения, которые демонстрируют это итеративное улучшение. Есть много способов сформулировать эту идею, но в основном есть три основных признанных категории: обучение с учителем, обучение без учителя и обучение с подкреплением.
Учитывая, что основное внимание в области машинного обучения уделяется «обучению», существует множество типов, с которыми вы можете столкнуться как практик.
Некоторые типы обучения описывают целые области исследования, состоящие из множества различных типов алгоритмов, таких как «обучение с учителем». Другие описывают эффективные методы, которые вы можете использовать в своих проектах, такие как «переносное обучение».
специалист по машинному обучению; они есть:
Проблемы с обучением
1. Контролируемое обучение
2. Неконтролируемое обучение
3. Обучение с подкреплением
Гибридные проблемы обучения
4. Полуконтролируемое обучение
5. Самоконтролируемое обучение
6. Многоэкземплярное обучение. Возможно, существует 14 типов обучения, с которыми вы должны быть знакомы как
Статистические выводы
7. Индуктивное обучение
8. Дедуктивный вывод
9. Трансдуктивное обучение
Методы обучения
10. Многозадачное обучение
11. Активное обучение
12. Онлайн-обучение
13. Передача обучения
14. Обучение ансамблю
существует 3 типа алгоритмов машинного обучения
1. Контролируемое обучение
Как это работает: этот алгоритм состоит из переменной цели/результата (или переменной палаты), которую следует наблюдать по заданному расположению индикаторов (автономных факторов). Используя эти сочетания факторов, мы создаем мощность, которая определяет вклад в желаемую доходность. Процедура подготовки продолжается до тех пор, пока модель не достигнет идеальной степени точности информации о подготовке. Примеры контролируемого обучения: регрессия, дерево решений, случайный лес, KNN, логистическая регрессия и т. д.
Поскольку машина только что вобрала в себя вещи из прошлой информации, и на этот раз нужно использовать ее осторожно. Сначала он упорядочит органический продукт по его форме и оттенку, подтвердит название натурального продукта как BANANA и поместит его в класс Banana. Поэтому машина берет данные из подготовки данных (корзина, содержащая продукты из почвы), применяет информацию к тестовым данным (новый органический продукт).
Два типа контролируемого обучения: -
Регрессия — Оцените непрерывные значения (Выход с реальным значением)
Классификация — идентификация уникального класса (дискретные значения, логические значения или категории)
1.1 Регрессия: -
Регрессионные модели — это целевые прогнозы, представляющие собой значения, основанные на независимых переменных. Регрессионные модели в основном используются для выявления взаимосвязей между переменными и прогнозирования. Регрессию можно использовать для оценки или прогнозирования непрерывных значений (выход с реальным значением).
Классификация означает группировку вывода в класс. Если набор данных является дискретным или категоричным, то это проблема классификации. Неконтролируемое обучение
В случае алгоритма обучения без учителя данные явно не размечены на разные классы, то есть метки отсутствуют. Модель способна учиться на данных, находя неявные закономерности. Алгоритмы неконтролируемого обучения идентифицируют данные на основе их плотности, структуры, схожих сегментов и других сходных характеристик. Алгоритмы обучения без учителя основаны на Hebbian Learning. Кластерный анализ является одним из наиболее широко используемых методов обучения с учителем. Давайте посмотрим на некоторые из важных алгоритмов, которые относятся к неконтролируемому обучению. Почему неконтролируемое обучение?
Вот основные причины для использования неконтролируемого обучения:
Неконтролируемое машинное обучение находит в данных все типы неизвестных закономерностей.
Неконтролируемые методы помогают узнать об особенностях, которые могут быть полезны для категоризации.
Это происходит в режиме реального времени, поэтому все входные данные должны быть проанализированы и помечены в присутствии учащихся.
Легче получить немаркированные данные с компьютера, чем помеченные данные, которые требуют ручного вмешательства.
Проблемы обучения без учителя можно разделить на проблемы кластеризации и ассоциации.
Кластеризация: проблема кластеризации заключается в том, что вы обнаружите присущие данным группировки, такие как группировка клиентов по покупательскому поведению.
Ассоциация: это проблема изучения правил, когда вы можете обнаружить правила, описывающие большие части ваших данных, например, люди, которые покупают А, также склонны покупать Б.
Некоторые популярные примеры алгоритмов обучения без учителя:
k-средства для задач кластеризации.
Априорный алгоритм для задач изучения ассоциативных правил.
k-средства для задач кластеризации.
Априорный алгоритм для задач изучения ассоциативных правил.
Это происходит, когда вы представляете алгоритм с примерами без меток, как при неконтролируемом обучении. Хотя вы можете сопроводить пример положительной или отрицательной обратной связью в зависимости от решения, которое предлагает алгоритм. Обучение с подкреплением связано с приложениями, для которых алгоритм должен принимать решения (поэтому продукт является предписывающим, а не просто описательным, как в неконтролируемом обучении), и решения влекут за собой последствия. В этом мире это похоже на обучение методом проб и ошибок.
Ошибки помогают вам учиться, потому что к ним добавляются штрафы (стоимость, потеря времени, сожаление, боль и т. д.), которые учат вас тому, что определенный образ действий с меньшей вероятностью будет успешным, чем другие. Пример обучения с подкреплением возникает, когда компьютеры сами учатся играть в видеоигры.
Приложения машинного обучения: -
Виртуальные личные помощники.
Предсказания во время поездок. Видео Видеонаблюдение. Сервисы социальных сетей.
Электронный спам и фильтрация вредоносных программ. Онлайн-поддержка клиентов.
Уточнение результатов поисковых систем.
Рекомендации по продукту.
Обнаружение онлайн-мошенничества.
