с разными типами алгоритмов машинного обучения

Машинное обучение действительно было ажиотажем в индустрии программного обеспечения в последние несколько лет, но что именно такое машинное обучение и почему вам это нужно? Продолжайте читать блог, чтобы найти ответы.

Что такое машинное обучение?

Машинное обучение - это подраздел искусственного интеллекта. Его цель - дать компьютерам возможность учиться самостоятельно.

Алгоритм машинного обучения позволяет ему определять закономерности в наблюдаемых данных, строить модели, которые объясняют мир, и предсказывать вещи без явного заранее запрограммированного правила и модели.

Термин Машинное обучение был придуман Артуром Самуэлем в 1959 году, американским пионером в области компьютерных игр и искусственного интеллекта, и заявил, что

«Это дает компьютерам возможность учиться без явного программирования».

А в 1997 году Том Митчелл дал «правильное» математическое и реляционное определение, которое

«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.»

Различные типы машинного обучения: -

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

1. Обучение с учителем: -

При обучении с учителем нам предоставляется набор данных, и мы уже знаем, как должен выглядеть наш правильный результат, имея представление о взаимосвязи между вводом и выводом.

Два типа контролируемого обучения: -

  1. Регрессия - оценка непрерывных значений (результат с действительными значениями)
  2. Классификация - определите уникальный класс (дискретные значения, логические значения или категории).

1.1 Регрессия: -

Регрессия моделирует целевое значение прогноза на основе независимых переменных. В основном он используется для определения взаимосвязи между переменными и прогнозированием. Регрессия может использоваться для оценки / прогнозирования непрерывных значений (выход с действительными значениями).

Например, : Учитывая изображение человека, мы должны предсказать возраст на основе данного изображения.

1.2 Классификация: -

Классификация означает группировку вывода в класс. Если набор данных является дискретным или категориальным, это проблема классификации.

Например, : учитывая данные о размерах домов на рынке недвижимости, мы делаем вывод о том, «продается ли дом за больше или меньше чем запрашиваемая цена », т. е. разделение домов на две отдельные категории.

2. Обучение без учителя: -

Это позволяет нам подходить к проблемам, практически не имея представления о том, как выглядят наши результаты. Мы можем получить структуру из данных, в которых нам не обязательно знать влияние переменных.

Мы можем получить эту структуру путем кластеризации данных на основе отношений между переменными в данных.

2.1. Кластеризация: -

C люстеризация - это задача группировки набора объектов таким образом, чтобы объекты в одной группе (называемой кластером) были более похожи (в некотором смысле) на каждый из них. кроме тех, кто находится в других группах (кластерах).

Например: возьмите коллекцию из 1 000 000 различных генов и найдите способ автоматически сгруппировать эти гены в группы, которые в чем-то похожи или связаны разными переменными, такими как продолжительность жизни, местоположение, роли и т. Д. .

3. Обучение с подкреплением: -

Обучение с подкреплением - это принятие подходящих действий для максимизации вознаграждения в конкретной ситуации. Он используется различным программным обеспечением и машинами, чтобы найти наилучшее возможное поведение или путь, который следует предпринять в конкретной ситуации.

Обучение с подкреплением отличается от обучения с учителем тем, что при обучении с учителем данные обучения содержат ключ ответа, поэтому модель обучается с правильным ответом, тогда как при обучении с подкреплением ответа нет и агент подкрепления решает, что делать для выполнения данной задачи. При отсутствии набора данных для обучения он должен учиться на собственном опыте.

Приложения машинного обучения: -

  1. Виртуальные личные помощники.
  2. Прогнозы во время поездок на работу.
  3. Видеонаблюдение.
  4. Социальные сети.
  5. Электронная почта, фильтрация спама и вредоносных программ.
  6. Онлайн-поддержка клиентов.
  7. Улучшение результатов поисковых систем.
  8. Рекомендации по продукту.
  9. Обнаружение онлайн-мошенничества.