Концептуально машинное обучение (ML) - это искусство обучения машин. Очевидно, что обучение таково, что когда ученика занимается с учителем / репетитором, он способен ответить на любой вопрос, который либо преподается явно, либо нет.

Реальная ситуация

Допустим, есть тема, охватывающая m количество возможных вопросов. Учитель задает ученику n из m вопросов (где n наверняка меньше m). Теперь предположим, что есть экзамен, на котором задано x вопросов. И обнаружено, что из x вопросов есть a вопросы из набора n вопросы, которые преподаются, и оставшиеся вопросы (xa вопросы) - это вопросы, которые не преподаются студенту в явном виде.

Актуальность машинного обучения для реальной жизни

Итак, поскольку машинное обучение - это искусство обучения машин, обучение нельзя проводить с помощью простого логического программирования. Поскольку, если машины логически запрограммированы, они не могут столкнуться с неизвестным набором экземпляров, что аналогично тому факту, что ученик в приведенном выше примере будет молчать с xa вопросы. Следовательно, классическое определение ML Тома Митчелла оправдано:

«Считается, что компьютерная программа учится на опыте E в отношении некоторой задачи T и некоторого показателя производительности P, если ее производительность на T, измеренная с помощью P, улучшается с опытом E »

Итак, как обучаются машины? Учить ученика легче, потому что у него есть мозги. А как насчет машин?

Да, но настоящий азарт ML заключается только в этом. У него есть способность обучать безмозглые машины. Но как? Как машины могут учиться без мозгов?

В машинном обучении машины обучаются с использованием разнообразных данных с результатами или без результатов. Обучение машин с результатами называется машинным обучением с учителем, а обучение без результатов - обучением без учителя. Теперь алгоритмы машинного обучения построены таким образом, что машины могут учиться, понимая основные закономерности в загружаемых данных. Этот процесс распознавания образов служит основной составляющей любой методологии машинного обучения. В машинном обучении со ссылкой на вышеупомянутую ситуацию, когда ученик обучается учителем, вопросы n, которые явно преподаются, называются данными обучения, а оставшиеся мн. вопросы - это тестовые данные (неизвестные учащемуся, а здесь учащийся фактически является моделью машинного обучения).

В некоторых из моих собственных исследовательских композиций я напрямую использовал алгоритмы машинного обучения:

Здесь я составил модель машинного обучения, которая может прогнозировать задержку прибытия рейсов американских авиакомпаний. Я использовал Gradient Boosting Classifier, который представляет собой алгоритм ансамблевого машинного обучения, основанный на деревьях решений. Он наблюдает за образцами соответствия в правилах классификации данных и кадров для каждого Дерева решений в ансамбле и использует вероятностный подход для их объединения. Таким образом, конечным результатом является интеллектуальная система, которая с точностью 79,7% предсказывает задержки прибытия рейсов.

Здесь я составил модель машинного обучения, которая может решить, имеет ли доход человека, живущего в США, доход более 50 000 долларов или нет. Кроме того, здесь используется классификатор повышения градиента наряду с такими методами, как выбор функций, одноразовое кодирование и перекрестная проверка поиска по 3-кратной сетке. Таким образом, конечным продуктом является интеллектуальная система, точность принятия экономических решений которой составляет 88,16%.

Почему машинное обучение?

Иногда машинное обучение может показаться «неважным», поскольку оно просто дает ответы, которые могут быть правильными, а могут и нет. Но для того, чтобы внедрить автоматизацию в нашу повседневную жизнь, мы должны постепенно устранять вмешательство человека. С ML мы именно этого достигаем. При использовании машинного обучения решения принимаются без вмешательства человека, поскольку работу выполняет только обученная машина !!! Более того, с помощью машинного обучения можно также получить прогнозную аналитику в отношении будущих событий, чтобы можно было принимать соответствующие решения. Таким образом, с помощью ML Predictive Intelligence также может быть передан машинам !!!