Существует три основных типа машинного обучения: контролируемое, неконтролируемое и обучение с подкреплением. Этот пост является первым из нашей серии из трех постов о классификации машинного обучения. Контролируемое машинное обучение — это способ создания искусственного интеллекта (ИИ). Компьютерный алгоритм умеет помечать входные данные для определенного выхода. Компьютерный алгоритм обучен обнаруживать основные отношения и закономерности, существующие между входными данными и выходными метками, что позволяет ему получать точные результаты с метками при представлении непредвиденных данных. IBM потратила годы на разработку этих моделей контролируемого обучения, чтобы организации могли создавать модели машинного обучения с высокой доступностью.
Обучение с учителем также построено на обучении, как и другие алгоритмы машинного обучения. Помеченные наборы данных добавляются в систему, которая учит специфичным для системы выводам, относящимся к каждому входному значению. После обучения модели выдаются тестовые данные; данные уже помечены без раскрытия меток алгоритму. Целью этих тестовых данных является измерение точности выходных данных алгоритма.
Типы контролируемых алгоритмов обучения: классификация и регрессия. Классификация использует алгоритм для точного распределения тестовых данных по определенным категориям. Он идентифицирует определенные единицы в данных и пытается заключить метки для набора данных. Наиболее распространенные алгоритмы классификации включают в себя машины опорных векторов (SVM), линейные классификаторы, случайный лес, K-ближайшего соседа и деревья решений. Регрессия охватывает связь между независимыми и зависимыми переменными и обычно используется для прогнозирования доходов от продаж для конкретной бизнес-организации. Популярные алгоритмы регрессии включают линейную регрессию, полиномиальную регрессию и логистическую регрессию. Алгоритмы делятся на различные категории в зависимости от их функций.
Пример обучения с учителем может включать в себя обучение машины прогнозированию продолжительности пути от дома до рабочего места. Помеченные данные будут созданы для ввода в этом примере. Данные будут включать погодные условия, праздники, время суток и т. д. Эти данные являются входными данными, а выходные данные будут включать время, которое потребуется, чтобы добраться из дома на работу в этот конкретный день.
Различные модели обучения с учителем могут использоваться для разработки различных приложений для бизнес-целей. Это может включать использование контролируемых алгоритмов машинного обучения для обнаружения, изоляции и классификации объектов на изображениях или видео и их использования для различных методов компьютерного зрения или анализа изображений. Это также можно использовать для разработки предиктивной аналитики, анализа настроений клиентов, обнаружения спама и ряда других целей.
Заключительные слова
Машина для обучения под наблюдением помогает собирать или выводить данные из предыдущего опыта. Это может помочь в оптимизации критериев производительности на основе опыта, а также помогает в решении различных вычислительных задач, основанных на реальности. Обучение под наблюдением может оказаться весьма полезным для бизнеса. Однако при разработке устойчивых моделей обучения с учителем возникают некоторые проблемы. Некоторые из проблем, которые могут возникнуть, включают в себя влияние на точность, когда в качестве входных данных используются нерелевантные и неполные значения. Предварительная обработка и подготовка данных являются сложной задачей. Они могут занимать очень много времени, а наборы данных имеют повышенную вероятность человеческой ошибки, что приводит к неправильному выводу, поскольку они не могут классифицировать данные независимо. Следовательно, модели с учителем могут оказаться эффективным решением для устранения ручной классификации и создания прогнозов на будущее в зависимости от размеченных данных. Машине нужны человеческие знания и опыт для обучения и получения точных выходных данных.
использованная литература
Коциантис, С.Б., Захаракис, И., и Пинтелас, П. (2007). Контролируемое машинное обучение: обзор методов классификации. Новые приложения искусственного интеллекта в компьютерной инженерии, 160(1), 3–24.
Сингх, А., Такур, Н., и Шарма, А. (2016 г., март). Обзор контролируемых алгоритмов машинного обучения. На 3-й Международной конференции по вычислительной технике для устойчивого глобального развития (INDIACom) 2016 г. (стр. 1310–1315). Иии
https://www.ibm.com/cloud/learn/supervised-learning
https://searchenterpriseai.techtarget.com/definition/supervised-learning
