Вам трудно решить, что вы хотите смотреть, но затем Netflix помогает вам своими предложениями?

Получаете ли вы персонализированную рекламу, когда вас интересует определенный продукт?

Все это делается с помощью машинного обучения.

Что такое машинное обучение?

Машинное обучение или ML — это метод, который учит машину выполнять какую-либо задачу.
Для выполнения этой задачи машинное обучение использует данные и алгоритмы.

Давайте рассмотрим простую задачу, когда машина должна распознавать кошек и собак.
Задача — распознавать кошек и собак.
данные могут быть либо фотографии, либо разные характеристики кошек и собак.
Машина использует эти данные, пытается найти закономерности с помощью алгоритмов и выполняет задачу.
Чем лучше машина учится , тем лучше он выполняет задачу.

Но все ли задачи одинаковы, а распознавание кошек и собак — это то же самое, что и таргетинг на потенциальных клиентов для показа им персонализированной рекламы?

Короткий ответ: нет

Длинный ответ: типы машинного обучения

Какие бывают виды машинного обучения

Существует три типа машинного обучения

  1. Контролируемое обучение
  2. Неконтролируемое обучение
  3. Обучение с подкреплением

Обучение с учителем
При обучении с учителем вы предоставляете машине помеченные данные.
Так что же такое помеченные данные? Ну, это относится к данным, для которых определены выходные данные.
Например, при распознавании кошек и собак вывод будет «Кошки/собаки».
Другим примером может быть определение того, является ли электронное письмо спамом или нет. , результатом здесь является «Спам/Не спам».
Таким образом, все обучение, связанное с данными, где выходные данные помечены, называется контролируемым обучением.

Чтобы узнать больше о контролируемом обучении: Нажмите здесь

Обучение без учителя
Обучение без учителя работает с немаркированными данными. Машине предоставляются определенные данные, где задача состоит в том, чтобы сгруппировать подобные данные. Это делается путем поиска шаблонов, чтобы сгруппировать их. Эти группы можно проанализировать и дать им имя для понимания данных.
Например, предположим, что машине предоставлены сведения о многих книгах.
Затем она использует алгоритмы для поиска сходства. Он обнаруживает, что некоторые книги описываются термином «преступление», некоторые — «экономика», а третьи — «политика», и, таким образом, машина создает три группы на основе этих деталей, а затем мы продолжаем называть эти группы «книги о криминале», «книги по экономике» и «книги о политике».
Такой тип группировки является примером обучения без учителя.

Чтобы узнать больше о неконтролируемом обучении: Нажмите здесь

Обучение с подкреплением
В обучении с подкреплением машина должна выполнить заданную задачу в несколько этапов. Если машина делает шаг в правильном направлении, она вознаграждается, если нет, то наказывается за неверный шаг. Машина пробует все шаги, чтобы выполнить задание. В конце концов он выбирает путь, на котором его больше вознаграждают и наказывают меньше всего.
Например, во время игры задача состоит в том, чтобы выиграть игру, машина играет в игру много раз, много раз терпя неудачу. Затем он учится на своих ошибках и, наконец, следует по пути, ведущему к победе в игре.

Сводка

Машинное обучение: обучение машины выполнению определенной задачи.
Типы: Контролируемый, Неконтролируемый и Подкрепление.
Контролируемый: Работает с помеченными данными.
Без присмотра: Работает с немаркированными данными.
Подкрепление: Награды.