Машинное обучение – это приложение искусственного интеллекта, которое позволяет компьютерным системам обучаться автоматически, без явного программирования. Это произвело революцию в области анализа данных.
Подайте набор данных в систему, очистите его от любых отсутствующих или нулевых данных, преобразуйте все значения в числовые цифры, разработайте и оцените модель. Проверьте точность модели и улучшите ее. Как только желаемая точность достигнута, вы готовы делать правильные прогнозы.
Давайте посмотрим на некоторые области, в которых используется машинное обучение.
› Обнаружение рака — является ли рак доброкачественным или злокачественным.
› Классификация полученной почты на предмет спама.
› Обнаружение онлайн-мошенничества
› Видеонаблюдение
› Прогнозирование трафика< br /> › Распознавание лиц
› Онлайн-поддержка клиентов
› Уточнение результатов поисковой системы
› Прогнозирование экономических тенденций
› Системы рекомендаций
› Самоуправляемые автомобили
> › Прогнозирование заболеваемости пациентов,
› Рейтинг публикаций в социальных сетях
› Повышение эффективности продаж и маркетинга
› Обнаружение мошенничества с кредитными картами и многое другое
Почти все крупные компании так или иначе используют машинное обучение для повышения своей производительности. Будущее за теми, кто внедряет и развивает машинное обучение более эффективно, чем их конкуренты.
Давайте посмотрим на системы или методы, стоящие за этим. Разные проблемы имеют разные решения, поэтому машинное обучение также имеет разные методы для разных ситуаций.
Давайте посмотрим на некоторые из них.
Регрессия
Регрессия — это алгоритм машинного обучения, основанный на обучении с учителем. Модели регрессии используются для прогнозирования непрерывного выхода. Он в основном используется для поиска взаимосвязи между переменными и прогнозированием. Пример. Прогнозирование цен на жилье по таким характеристикам, как его площадь, местоположение, количество спален и туалетов, используемые строительные материалы, близость к рынку и т. д.
У нас есть несколько методов регрессии, поскольку для разных ситуаций нам требуются разные подходы или методы.
Классификация
Классификация является типом контролируемого обучения. Он указывает класс, к которому принадлежат элементы данных, и его лучше всего использовать, когда выходные данные имеют конечные и дискретные значения. Компьютерная программа учится на введенных ей данных и использует это обучение для классификации новых наблюдений.
Некоторые примеры проблем с классификацией:
› Распознавание рукописного ввода
› Распознавание речи
› Классификация документов
› Биометрическая идентификация
Кластеризация
Кластеризация — это метод машинного обучения, который включает группировку точек данных. Для данного набора точек данных мы можем использовать кластеризацию, чтобы классифицировать каждую точку данных в определенную группу. Кластеризация — это метод обучения без учителя и распространенный метод статистического анализа данных, используемый во многих областях.
Ассоциация
Ассоциация — это метод обнаружения интересных взаимосвязей между переменными в больших базах данных. Это основанный на правилах метод машинного обучения и интеллектуального анализа данных. Он идентифицирует скрытые корреляции в базах данных, применяя некоторые меры интереса для создания правила ассоциации для новых поисков.
Пример: покупка продуктов
Обнаружение аномалий
Обнаружение аномалий относится к идентификации элементов или событий, которые не подтверждают ожидаемую модель, или к обнаружению аномальных и необычных действий.
Примеры: обнаружение мошенничества с кредитными картами, контекстуальные аномалии.
Последовательность майнинга
Он связан с поиском статистически релевантных закономерностей между примерами данных, где значения доставляются в последовательности.
Пример: прогнозирование следующего события, нажмите «Поток».
Уменьшение размера
Уменьшение размерности — это процесс уменьшения количества рассматриваемых случайных величин путем получения набора основных переменных.
Пример: уменьшение размера данных (анализ главных компонентов (АПК))
Система рекомендаций
В системе рекомендаций механизмы рекомендаций в основном представляют собой инструменты фильтрации данных, которые используют алгоритмы и данные, чтобы рекомендовать наиболее релевантные элементы конкретному пользователю.
Пример: когда мы смотрим фильмы на Netflix, мы получаем рекомендации от Netflix тех же типов фильмов, которые мы смотрим.
Точно так же, когда мы покупаем продукты на Amazon и Flipcart, мы получаем от них рекомендации о похожих продуктах.
Это лишь некоторые из них. Продолжайте посещать сайт, чтобы получать больше информации.
Первоначально взято из: https://www.readsmarty.com/2020/11/what-is-machine-learning-in-data.html
