Рабочий процесс машинного обучения - это процесс, необходимый для выполнения проекта машинного обучения. Ниже вы найдете полезную визуализацию этих основных шагов:
Существует четыре типа машинного обучения:
1- Обучение с учителем
2- Обучение без учителя
3- Полу-контролируемое обучение (класс контролируемого обучения)
4- Обучение с подкреплением
Не волнуйтесь, если некоторые из этих терминов ничего для вас не значат. Изучив это руководство, вы сможете сами рассказать о каждой из этих техник! 😉
Вот 4 шага к обучению машинному оборудованию посредством самообучения:
- Заработайте основы статистики, программирования и немного математики.
- Погрузитесь в основную теорию машинного обучения.
- Целенаправленная практика с использованием библиотек и т. Д.
- Практика проектов машинного обучения
Давайте погрузимся в некоторые основные термины и концепции машинного обучения (Badass)
1) Обучение с учителем
При обучении с учителем мы предоставляем данные вместе с желаемым результатом (например, данные с метками). Например, если мы хотим, чтобы наша система обучилась обнаружению лошадей, мы соберем тысячи изображений, нарисуем ограничивающую рамку вокруг лошади и передадим весь набор данных машине, чтобы она могла изучить все самостоятельно.
2) Обучение без учителя
При обучении без учителя мы просто предоставляем данные и позволяем машине обнаруживать закономерности в наборе данных. Например, мы можем предоставить три разные формы (круги, треугольники и квадраты) и позволить машине кластеризовать их. Такой прием называется кластеризацией.
3) Полу-контролируемое обучение
Полу-контролируемое обучение - это класс контролируемых учебных задач и методов, которые также используют немаркированные данные для обучения. При полууправляемом обучении машина обучается на частично маркированных данных и сопоставляет полученные знания с немаркированными данными. Например, служба хранения фотографий сгруппирует все фотографии одного человека, и вам нужно пометить только одно изображение, а все остальные будут помечены одним и тем же именем, потому что у них один и тот же человек.
4) Обучение с подкреплением
В обучении с подкреплением машину обычно называют агентом, и агент получает вознаграждение (или штраф) за каждое свое действие. Затем он узнает, какие действия были бы наилучшими, чтобы максимизировать вознаграждение и смягчить наказание.
Что такое чрезмерная посадка и недостаточная посадка?
После обучения на данных цель нашей обученной модели - как можно точнее обобщить невидимые данные. Если модель дает очень точные результаты по обучающим данным, но не может обобщить невидимые данные, это называется избыточной подгонкой, потому что модель чрезмерно соответствует обучающим данным. Если модель даже не дает точного прогноза на основе данных обучения, это означает, что модель ничего не узнала, что называется недостаточной подгонкой.
С какими проблемами мы сталкиваемся при машинном обучении?
- Недостаточные данные
- Данные низкого качества
- Нерелевантные функции
Недостаточно данных
Для обучения модели машинного обучения нам нужны огромные наборы данных. В сложных задачах, таких как обнаружение объектов, нам иногда требуются тысячи изображений и миллионы записей для прогнозирования.
Данные низкого качества
Если входные данные ошибочны, независимо от того, насколько надежен наш алгоритм машинного обучения, он всегда будет давать неожиданные результаты. Мы должны уменьшить шум и отбросить выбросы из нашего набора данных, чтобы наша система работала лучше. Выброс - это сущность, различающаяся для всех членов одной группы.
Нерелевантные функции
Иногда в нашем наборе данных нет необходимых функций для обучения нашей модели. В этом сценарии мы либо отбрасываем нерелевантные функции, либо объединяем их вместе, чтобы получить значимую функцию. Этот процесс выбора и извлечения признаков называется проектированием признаков.
