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: -
- Обучение с учителем.
- Неконтролируемое обучение.
- 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: -
- Регрессия - оценка непрерывных значений (результат с действительными значениями)
- 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: -
- Виртуальные личные помощники.
- Прогнозы во время поездок на работу.
- Видеонаблюдение.
- Социальные сети.
- Электронная почта, фильтрация спама и вредоносных программ.
- Онлайн-поддержка клиентов.
- Улучшение результатов поисковых систем.
- Рекомендации по продукту.
- Обнаружение онлайн-мошенничества.