Вначале Бог создал небо, землю и естественный разум ...
Давайте представим мир, в котором машины управляют собой, мир, в котором компьютеры предсказывают ваши акции, мир, в котором ваш телефон понимает ваше настроение, мир, в котором ваш телефон и компьютер могут общаться с друзьями в ваше отсутствие. Такой мир - это мир, управляемый машинным обучением.
Первое определение машинного обучения было дано Артуром Самуэлем, где он объяснил машинное обучение как способность компьютеров выполнять интеллектуальные задачи без явного программирования. Исследования ML’S начались много десятилетий назад и получили большой всплеск с момента появления Data Driven Disruption.
Однако машинное обучение - это подполе искусственного интеллекта, а также других областей, управляемых данными, таких как компьютерное зрение, Интернет вещей, глубокое обучение и т. Д. Машинное обучение можно разделить на две основные категории обучения: обучение с учителем и обучение без учителя.
Давайте сделаем краткий обзор категорий, прежде чем мы перейдем непосредственно к нашему первому уроку машинного обучения.
1. Обучение с учителем: это тип обучения, при котором компьютерный алгоритм получает входные данные (обучающие наборы) и ожидаемые выходные данные (результаты), чтобы он мог изучить корреляцию между переменными двух наборов данных, чтобы понять взаимосвязь и может дать точные результаты сам по себе. Представьте, что учитель обучает мальчика, и она учит его таблице умножения, точка, где она перестает учить мальчика, - это когда она получает от мальчика удовлетворительный уровень успеваемости. Таким же образом обучение останавливается, когда алгоритм достигает удовлетворительного уровня производительности.
Существует две основные категории контролируемого обучения:
· Регрессия: это всегда применяется, когда проблема заключается в проблеме регрессии, когда выход (результат) является ожидаемой переменной, такой как «Рост», «Возраст», «Сумма», «цена» и т. Д.
· Классификация. Это связано с проблемой классификации, при которой ожидаемый результат представляет собой категориальный набор, такой как
Примерами алгоритмов регрессии являются простая линейная регрессия, множественная линейная регрессия и полиномиальная регрессия и т. Д. В то время как алгоритмы, которые используются в классификации, включают случайный лес, машины опорных векторов (SVM), дерево решений и так далее.
2. Обучение без учителя: это тип обучения, при котором компьютерный алгоритм получает входные данные (обучающие наборы) без какого-либо результата (результатов). В такой модели обучения алгоритму разрешается определять набор данных и искать важные структуры и тенденции в данных. Точно так же, как дать студенту набор мячей и наблюдать, как студент сортирует его на «большие», «средние» и «маленькие».
Обучение без учителя делится на две основные категории:
· Кластеризация: это основано на категоризации наборов данных на основе некоторых внутренних характеристик и группировке набора данных. Например, группировка футболистов по стилю игры. Алгоритмы, попадающие в это пространство, включают K-средних, иерархическую кластеризацию и т. Д.
· Правило ассоциации: оно основано на модели обучения, которая фокусируется на обнаружении тенденций в большом наборе данных. Например, определение тенденции людей, которые водят Mercedes и владеют дуплексом в городе. Релевантные здесь алгоритмы включают алгоритм Apriori, Eclat и так далее.
Надеюсь, вам понравилось читать эту статью. Это всего лишь основа прикладного машинного обучения. Следите за моей следующей статьей «Предварительная обработка данных».
Для практического занятия со мной любезно постарайтесь загрузить Anaconda и установить Spyder. Spyder будет нашим основным интерфейсом программирования в этом учебном пособии по MACHINE.
Получайте удовольствие и не переставайте учиться!
Раджи Адам Бифола (MCP, MCSA). Data Scientist / BI-аналитик в Techspecialist Consulting Limited
