Мы, менеджеры по продуктам, всегда стараемся делать наши продукты лучше, удобнее и удобнее.
Стремясь к достижению этого улучшенного товарного предложения, мы всегда пытаемся прогнозировать, анализировать, оптимизировать и автоматизировать наши товарные предложения; вот где появляется искусственный интеллект или более подходящее слово машинное обучение.
Машинное обучение - это область обучения, которая дает компьютерам возможность учиться без явного программирования - типичное определение в учебнике.
Ну все хорошо, компьютер учишься! Но как это сделать ?!
Все начинается с базовой математики и статистики, и я не буду вдаваться в подробности об этом, но позвольте мне перечислить различные методы машинного обучения:
1. Обучение с учителем
Это простейшее предсказание, которое вы можете сделать. У вас есть данные для диапазона, и вы прогнозируете следующий набор диапазонов. Помните, Y = mX + c формулу прямой, которую мы использовали в наших школах ?; Это все так. У вас есть Y и X для диапазона, вы находите наклон и константу и используете эти данные для прогнозирования следующего набора Y. Кстати, это называется линейная регрессия, и вы догадались, потому что это линейная форма данных.
Что делать, если у вас нет линейного набора данных, но есть только два набора данных, например: электронная почта - спам / не спам, онлайн-транзакции - мошенничество / не мошенничество, вы понимаете; это называется проблемой классификации, решаемой с помощью логистической регрессии.
Надеюсь, вы уловили картину: в контролируемом обучении у вас есть некоторые данные, и вы найдете им аналогию, построив модели . Теперь вы используете эту модель для прогнозирования (получения результатов).
2. Обучение без учителя
Когда у вас есть только один набор данных, то есть все они немаркированы, мы пытаемся найти среди них шаблоны или кластеры, чтобы понять смысл данных. Это по-прежнему требует изучения алгоритмов и других методов; просто у нас есть только один набор данных - X, а не Y, поэтому есть еще один дополнительный шаг, чтобы разобраться в данных и найти эти Y.
Алгоритмы обучения для контролируемых в основном - это линейная регрессия, логистическая регрессия и машина опорных векторов, а для неконтролируемых - K-классификаторы соседей, случайные Используются леса, кластеризация и т. Д. Для построения этой модели прогнозирования используются такие статистические методы, как градиентный спуск, обратное распространение, AdaBoost и т. Д. Существуют также методы упрощения этих уравнений с помощью - анализа основных компонентов, регуляризации, выпрямленных линейных единиц и т. Д.
Типичные примеры использования контролируемого / неконтролируемого обучения:
1. Прогнозирование данных - изменение цен, изменения в экономике или любая форма линейного прогноза.
2. Данные анализа - фильтры спама, сегментация истории болезни, обнаружение мошенничества или любая другая форма сегментации.
3. Оптимизация данных - определение пользовательских предпочтений, механизмов рекомендаций, предоставление персонализированного опыта и т. Д.
3. Нейронные сети - глубокое обучение
В реальном мире у нас нет небольшого набора данных, то есть только X и Y; но имея огромный набор данных с большим количеством входов / функций (X) и большим количеством выходов (Y), мы не можем использовать простую статистику для их решения. Мы используем так называемые нейронные сети - похожие на наш мозг; мы используем слои уравнений, чтобы упростить вывод, чтобы, наконец, получить этот единственный вывод - Многие X конвертируются в один Y.
Вы можете прочитать простой пример XOR с использованием нейронных сетей - https://medium.com/@jayeshbahire/the-xor-problem-in-neural-networks-50006411840b
Существует множество алгоритмов глубокого обучения , но наиболее широко используются - сверточные нейронные сети для обучения изображений и видео, а также рекуррентные нейронные сети Сеть для понимания языков.
Типичные примеры использования нейронных сетей / глубокого обучения:
1. Компьютерное зрение: заставляем компьютеры понимать изображения и видео так же, как мы.
2. Анализ языка / текста: заставить компьютеры понимать язык и семантику так же, как мы.
3. Самоуправляемые автомобили: использование вышеизложенного и создание самоуправляемых автомобилей и других средств автоматизации.
Этот блог должен был помочь всем понять нюансы искусственного интеллекта - машинного обучения и не углубляться в подробности, но если вы все же хотите узнать больше о машинном обучении и Deep Learning, вы можете посмотреть мои прошлые проекты на GitHub - https://github.com/angshu-min-js/MachineLearning_Basics и https://github.com/angshu- min-js / machine_learning .
Для дальнейшего чтения:
- Http://cs109.github.io/2015/
- Https://machinelearningmaster.com/basic-concepts-in-machine-learning/
- Https://github.com/angshu-min-js/MachineLearning_Basics/tree/master/Machine_learning_complete_Notes
- Http://cs229.stanford.edu/materials.html
- Https://www.tensorflow.org/tutorials/
- Https://github.com/angshu-min-js/python-machine-learning-book
- Https://github.com/angshu-min-js/Machine-Learning-Tutorials
- Https://github.com/angshu-min-js/awesome-machine-learning
Если вам нравится этот, не забудьте аплодировать, поделиться и подписаться на меня - это очень много значит для меня!
