Давайте сначала определим машинное обучение.
Что такое машинное обучение?
- «Машинное обучение — это наука о программировании компьютеров, чтобы они могли учиться на основе данных».
- «Это область исследования, которая дает компьютерам возможность учиться без явного программирования». Автор: Артур Сэмюэл, 1959 г.
Когда следует использовать машинное обучение?
- Проблемы, в которых традиционный подход не работает, а написание инструкций слишком сложны для человека.
- Предположим, что данные непрерывно изменяются и носят случайный характер. Лучше всего использовать машинное обучение для обнаружения закономерностей в таких данных.
Типы машинного обучения
Существует четыре типа алгоритмов машинного обучения:
- Контролируемое обучение
- Неконтролируемое обучение
- Полуконтролируемое обучение
- Обучение с подкреплением
Давайте углубимся в каждый из них на примерах.
Контролируемое обучение
- При обучении с учителем модель машинного обучения обучается с учителем. Преподаватель в данном случае — это желаемый результат, который уже присутствует в обучающих данных. Этот выходной столбец также можно назвать целевой переменной или меткой. Модель изучает шаблоны из обучающих данных и прогнозирует выходные данные. Затем прогнозируемые результаты наблюдают на наборе фактических результатов, и модель настраивается для повышения точности, тем самым повышая производительность модели.
Вот популярные методы машинного обучения
- Регрессия: этот метод используется всякий раз, когда мы хотим предсказать результат в виде непрерывного числового значения. Метка также будет иметь формат непрерывного числового значения. Примеры: прогнозирование цен на жилье, прогнозирование заработной платы, прогнозирование возраста или роста.
- Классификация: этот метод используется всякий раз, когда нам нужно выяснить, принадлежит ли текущий вывод к определенной категории. Это также может быть вопрос моделей вопросов «да/нет», таких как обнаружение рака, где мы получаем два результата «да» или «нет». Это также называется бинарной классификацией. Существует также многоклассовая классификация и многоуровневая классификация. Примером мультиклассовой классификации может быть обнаружение разных видов растений или разных продуктов, например, самосы, макарон и пиццы. В классификации с несколькими метками одна проблема имеет несколько меток. Например, проблема с буквенным кодом может быть решена с использованием различных методов и помечена несколькими метками.
- Прогнозирование. Прогнозирование — это предсказание будущих данных на основе текущих и прошлых данных. Примером может быть предсказание курса акций.
Некоторые популярные алгоритмы, используемые в контролируемом обучении
- Линейная регрессия
- Логистическая регрессия
- Метод опорных векторов (SVM)
- Наивный Байес
- Деревья решений
- Случайный лес
- k-ближайший сосед
Обучение без учителя
- В этом методе данные не помечены, что означает отсутствие фактического вывода. Модель наделена полномочиями наблюдать закономерности в данных и соответствующим образом организовывать данные. Организация данных может означать группировку данных или придание значения определенным структурам данных.
Типичными примерами могут быть сегментация клиентов для группировки клиентов по различным наборам покупательной способности и системы рекомендаций, в которых продукты рекомендуются пользователям.
Некоторые распространенные алгоритмы
- Кластеризация
- Обнаружение аномалий
- Уменьшение размерности
- Изучение правил ассоциации.
Обучение с полуучителем
- Как следует из названия, некоторые обучающие данные в нем помечены, а большинство из них не помечены. Как контролируемое, так и неконтролируемое обучение можно комбинировать вместе для маркировки немаркированных данных и последующего прогнозирования результатов в наборе данных. Некоторыми примерами могут быть маркировка фотографий в телефоне. Если вы добавите метки к лицам одной из фотографий, их можно будет использовать и для маркировки других фотографий. Другим примером может быть классификация текстовых документов.
Обучение с подкреплением
- Обучение с подкреплением состоит из трех терминов: агент, действия, вознаграждение или наказание. Агент или обучающая система наблюдает за данной средой и выполняет какие-то действия, на основании которых дается вознаграждение или наказание. На основе этих вознаграждений модель сама узнает, какие действия следует выполнять для достижения максимального вознаграждения. Эта стратегия выбора определенных действий в различных ситуациях называется политикой.
Примерами могут быть робот, который учится ходить, или управление полетом, когда система учится управлять летательным аппаратом.
Надеюсь, это поможет вам в общих чертах.
Дайте мне знать, что вы думаете о посте, и любое предложение более чем приветствуется.
Если вам понравилось это читать, ставьте аплодисменты, чтобы это дошло до других.
Ваше здоровье.