Машинное обучение — это элемент ИИ (искусственного интеллекта), при котором компьютер запрограммирован с возможностью самообучения и улучшения выполнения конкретной задачи. По сути, машинное обучение — это анализ больших данных — автоматическое извлечение информации и ее использование для составления прогноза, расшифровки того, был ли прогноз правильным, и, если он неверен, обучения на этом, чтобы сделать более правильный прогноз в будущем.
Хорошо, давайте посмотрим на разницу между традиционным программированием и машинным обучением.
Традиционное программирование
Ввод (заданный пользователем) + Программа (заданный пользователем) = Выход (сгенерированный ПК)
Традиционное программирование относится к любой программе, созданной вручную, которая использует входные данные и запускается на компьютере для получения выходных данных.
Машинное обучение
Ввод (данный пользователем) + Выход (данный пользователем) = Программа (созданная компьютером)
При машинном обучении, также известном как расширенная аналитика, входные и выходные данные передаются алгоритму для создания программы. Это дает мощную информацию, которую можно использовать для прогнозирования будущих результатов.
зачем нам машинное обучение..?
- Машинное обучение необходимо для задач, которые слишком сложны и трудны для непосредственного кодирования человеком.
- Кодировщикам не нужно писать код для каждой функции.
Обязательные известные термины в машинном обучении...
- Цель - это называется меткой (то, что мы пытаемся предсказать)
- Зависимая переменная — выход процесса. В статистике цель называется зависимой переменной.
- Независимые переменные (также называемые функциями) являются входными данными для анализируемого процесса.
- Признак-переменная (зависимая, независимая) в статистике называется признаком в машинном обучении.
Тип машинного обучения...
Обучение с учителем. Задача машинного обучения, выводящая функцию из размеченных данных (здесь мы используем исторические данные).
Обучение без учителя. Компьютер обучается на неразмеченных данных. (здесь мы не используем исторические данные)
Подкрепление. Алгоритм учится реагировать на окружающую среду. Это позволяет машинам и программным агентам автоматически определять идеальное поведение, чтобы максимизировать его производительность.
Регрессия.Она основана на исторических данных, чтобы предсказать, каким может быть следующее выходное значение. (значение определяется алгоритмом, поэтому значение здесь не фиксируется)
Классификация – на основе исторических данных, которые компьютерная программа извлекает из введенных ей данных, а затем использует эти знания для классификации новых наблюдений, таких как идентификация животного как кошки. или собака или человек самец или самка(здесь вывод фиксированный)
Кластеризация. Компьютер обучается на неразмеченных данных. модель изучает себя и группирует данные.
Машинное обучение позволяет анализировать огромные объемы данных. Хотя он обычно дает более быстрые и точные результаты для выявления выгодных возможностей или опасных рисков, для его надлежащего обучения также может потребоваться дополнительное время и ресурсы. Сочетание машинного обучения с искусственным интеллектом и когнитивными технологиями может сделать его еще более эффективным при обработке больших объемов информации.
