Что такое машинное обучение?

Всякий раз, когда мы слышим термин «машинное обучение», мы имеем в виду то, что на самом деле означает путаницу. Относится ли это к искусственному интеллекту или нет? Действительно ли машина учится?

Ответ таков: «Машинное обучение» - это способ, с помощью которого мы даем машинам возможность автоматически учиться на собственном опыте и становиться лучше самостоятельно без какого-либо вмешательства человека. Да, это часть «Искусственного интеллекта» и расширенная часть «Глубокого обучения», которая сейчас в тренде.

Типы машинного обучения…

Машинное обучение с учителем

Если вводимые данные, которые мы даем нашей машине для обучения, помечены, то есть они уже классифицированы по группам, то это контролируемое машинное обучение. После обучения алгоритму предоставляются тестовые данные, которые он прогнозирует, и мы проверяем точность вывода, чтобы вычислить точность нашего алгоритма.

Например: - Если мы хотим предсказать, является ли онлайн-транзакция мошенничеством. Для этого мы даем ему входные данные, которые уже состоят из множества таких примеров мошенничества и не-мошеннических транзакций, и применяя алгоритм, мы пытаемся добиться максимально точного результата.

Машинное обучение без учителя

Когда мы передаем нашему алгоритму данные, которые не помечены, то есть данная информация не разделяется метками и представляет собой просто смесь всего этого без какой-либо классификации, тогда это неконтролируемое машинное обучение.

Например: - Если мы вводим много изображений клеток, которые могут быть или не быть злокачественными, тогда наш алгоритм должен иметь возможность распределить их на два сегмента злокачественных и незлокачественных клеток, извлекая особенности из данных изображений.

Обучение с подкреплением

Это метод, разработанный в соответствии с поведением людей, т. Е. Обучением на ошибках. Что он делает, так это создает награды за правильные действия и штрафы за неправильные. Метод проб и ошибок продолжается, делая машину настолько совершенной, насколько это возможно, для принятия правильных решений.

Например: -Если мы создаем бота-уборщика, то мы бы оставили его в реальных сценариях и позволили бы боту научиться принимать решения, например, если он ударится о стену или упадет с лестницы, отрицательная отметка будет назначается, а если он повернет направо или остановится в нужном месте, то получит положительную оценку.