Машинное обучение — это приложение искусственного интеллекта (ИИ), которое предоставляет системам возможность автоматически обучаться и совершенствоваться на основе данных без явного программирования.

Машинное обучение направлено на разработку компьютерных программ, которые могут получать доступ к данным и использовать их для обучения.

В этом процессе используемые данные либо помечены, либо не помечены.

Обучение с учителем использует маркированные данные

Некоторые методы машинного обучения

Алгоритмы машинного обучения часто делятся на контролируемые и неконтролируемые.

Вкратце, алгоритм машинного обучения бывает 4 типов

1 контролируемое обучение

2 Неконтролируемое обучение

3 Полуконтролируемое обучение

4 Обучение с подкреплением

  • Алгоритмы контролируемого машинного обучения могут применять то, что было изучено в прошлом, к новым данным, используя помеченные примеры для прогнозирования будущих событий. Начиная с анализа известного набора обучающих данных, алгоритм обучения создает предполагаемую функцию для прогнозирования выходных значений. Система способна предоставить цели для любого нового ввода после достаточного обучения. Алгоритм обучения также может сравнивать свои выходные данные с правильными предполагаемыми выходными данными и находить ошибки, чтобы соответствующим образом модифицировать модель.

например: линейная регрессия, K-Nearesrt-Neighbours

  • Напротив, алгоритмы машинного обучения без учителя используются, когда информация, используемая для обучения, не классифицируется и не помечается. Неконтролируемое обучение изучает, как системы могут вывести функцию для описания скрытой структуры из немаркированных данных. Система не определяет правильный вывод, но она исследует данные и может делать выводы из наборов данных, чтобы описывать скрытые структуры из неразмеченных данных.
  • Алгоритмы полууправляемого машинного обучения находятся где-то посередине между контролируемым и неконтролируемым обучением, поскольку для обучения они используют как размеченные, так и неразмеченные данные — обычно небольшое количество размеченных данных и большое количество неразмеченных данных. Системы, использующие этот метод, способны значительно повысить точность обучения. Обычно полууправляемое обучение выбирается, когда полученные помеченные данные требуют квалифицированных и соответствующих ресурсов для их обучения / обучения на них. В противном случае получение неразмеченных данных обычно не требует дополнительных ресурсов.
  • Алгоритмы машинного обучения с подкреплением – это метод обучения, который взаимодействует с окружающей средой, производя действия и обнаруживая ошибки или вознаграждения. Поиск методом проб и ошибок и отсроченное вознаграждение являются наиболее важными характеристиками обучения с подкреплением. Этот метод позволяет машинам и программным агентам автоматически определять идеальное поведение в определенном контексте, чтобы максимизировать его производительность. Агенту требуется простая обратная связь с вознаграждением, чтобы узнать, какое действие лучше; это известно как сигнал подкрепления.