Руководство для начинающих
Машинное обучение
ML — это подполе ИИ. Основная цель состоит в том, чтобы позволить компьютерам автоматически обучаться без помощи человека и соответствующим образом корректировать действия. Он включает в себя предоставление наблюдений, очистку данных, обработку данных и многое другое, чтобы проверить, успешно ли машина научилась работать с различными типами данных.
Алгоритмы машинного обучения и его виды
ML использует алгоритмы, которые получают и анализируют входные данные для прогнозирования выходных данных. Когда новые данные поступают в алгоритмы, они изучают и оптимизируют свои операции для повышения производительности, со временем развивая «интеллектуальные способности». Давайте проверим типы ML:
Контролируемое обучение
Здесь изначально систему учат, как правильно прогнозировать, вводя некоторые данные. Реальным примером могут служить Байесовские спам-фильтры в почтовых программах. Это как показать человеку, как выполнять новую задачу. Спам-фильтр Gmail от Google очень точен, потому что его обучает очень много пользователей.
Например: классификация, регрессия, прогнозирование
Неконтролируемое обучение
Этот метод работает путем поиска закономерностей в данных. Данные, переданные неконтролируемому алгоритму, не помечены, т. е. даны только входные переменные (X) без соответствующих выходных переменных.
Например: априорный алгоритм, K-средние
Полуконтролируемое обучение
Этот метод использует как размеченные, так и неразмеченные данные. Благодаря сочетанию размеченных и неразмеченных данных неразмеченные данные — это алгоритмы, которые могут научиться маркировать неразмеченные данные.
Обучение с подкреплением
Здесь машина использует метод проб и ошибок в определенной среде для обучения. Машина учится на прошлом опыте и пытается собрать как можно больше информации для принятия точных бизнес-решений.
Например: Марковский процесс принятия решений
Изображение предоставлено: HackerNoon, Google