Здесь мы начинаем полную серию машинного обучения и глубокого обучения и упрощаем обучение. За наукой о данных будущее многих областей. У нас есть данные в большом количестве, и специалисты по данным, инженеры машинного обучения делают все возможное, чтобы использовать эти данные и создавать системы, которые полезны для человечества и решают его проблемы.
Компьютеры умеют видеть, слышать и учиться. Добро пожаловать в будущее.
Традиционно передайте логику и данные машине, после чего машина предскажет вывод. Машинное обучение позволяет избежать традиционного программирования и позволяет машине учиться на собственном опыте, строить логику и сообщать ввод или вывод для соответствующих проблем.
Традиционный способ решения проблемы
- Нужна логика
2. Нужны данные
Модуль машинного обучения для решения проблемы
- Нужны данные
2. Разработайте алгоритмы на основе собственного опыта и расскажите о выводе для соответствующей задачи.
Типы машинного обучения
Контролируемое обучение
Набор данных всегда доступен в чистом виде и помеченном. Маркировка означает, что определены независимые и зависимые переменные (определены входные данные, заданы выходные данные) и алгоритмы могут без проблем изучать ввод и вывод. Возможно прогнозирование будущего или результата. Это решает проблему регрессии и классификации.
В эту отрасль входят:
- Обнаружение мошенничества
- Диагностика
- Обнаружение спама
- Классификация изображений
- Оценка риска
- Предсказания
- Системы рекомендаций
Обучение без учителя
Метод обучения без учителя оптимален, когда данные не помечены. Он обнаруживает структуры и закономерности в выходных данных. Этот метод обучения выполняет более сложную задачу по сравнению с контролируемым обучением.
Их примерами являются кластеризация, уменьшение размерности.
В эту отрасль входят:
- Интеллектуальный анализ текста
- Распознавание лица
- Визуализация больших данных
- Распознавание изображений
- Целевой маркетинг
- Планирование Город
- Биология
Обучение с подкреплением
Обучение с подкреплением — это метод, который работает как агент ИИ, основанный на поощрении и наказании. Он создает штраф, если алгоритм работает лучше всего, система получает вознаграждение, в других условиях система получает наказание. Благодаря такому поведению система учится на своих ошибках. Обучение с подкреплением может применяться к задачам автономного вождения.
В эту отрасль входят:
- Игры
- Производство
- Управление запасами
- Финансовый сектор
- Навигация робота
Обучающие изображения с учителем и без учителя принадлежат @Alan Jeffares