Современная аналитика и инструменты
Аналитика — это набор методов и инструментов, используемых для создания ценности из данных. Методы включают в себя такие понятия, как
- Искусственный интеллект (ИИ),
- Машинное обучение (МО),
- Алгоритмы глубокого обучения (DL).
Машинное обучение
Машинное обучение — это отрасль искусственного интеллекта (ИИ) и информатики, которая фокусируется на использовании данных и алгоритмов для имитации того, как люди учатся, постепенно повышая его точность. Система машинного обучения учится на исторических данных, строит модели прогнозирования и всякий раз, когда она получает новые данные, прогнозирует их результат.
Категории алгоритмов ML
Существует три основных категории алгоритмов машинного обучения:
1. Контролируемое машинное обучение
Обучение с учителем — это тип машинного обучения, при котором машины обучаются с использованием хорошо «помеченных» обучающих данных, и на основе этих данных машины прогнозируют результат.
Как работает контролируемое обучение?
2. Неконтролируемое машинное обучение
Неконтролируемое обучение — это еще один тип машинного обучения, при котором компьютер обучается на немаркированных данных, то есть данные не имеют каких-либо ранее существовавших меток или целей. Цель неконтролируемого обучения состоит в том, чтобы найти скрытые шаблоны или структуры в данных без руководства помеченного набора данных.
Как работает обучение без учителя?
3. Обучение с подкреплением
Обучение с подкреплением (RL) — это тип алгоритма машинного обучения, который позволяет агенту учиться методом проб и ошибок, взаимодействуя с окружающей средой. Агент получает обратную связь в виде вознаграждений или штрафов за действия, которые он предпринимает в окружающей среде. Цель агента — изучить политику, которая максимизирует общее вознаграждение, которое он получает с течением времени. Алгоритмы обучения с подкреплением можно разделить на два типа:
- Алгоритмы на основе моделей: эти алгоритмы явно изучают модель среды, включая вероятности перехода и вознаграждения. Они используют эту усвоенную модель для планирования и принятия решений. Примеры включают методы Монте-Карло, обучение по временной разнице (TD) и Q-обучение.
- Алгоритмы без моделей: эти алгоритмы напрямую изучают оптимальную политику или функцию ценности, не создавая явную модель среды. Они полагаются на обучение методом проб и ошибок посредством повторяющихся взаимодействий. Примеры включают Q-обучение, SARSA, Deep Q-Networks (DQN) и Proximal Policy Optimization (PPO).
Использование другого алгоритма
Жизненный цикл машинного обучения
Жизненный цикл машинного обучения — это циклический процесс создания эффективного проекта машинного обучения. Основной целью жизненного цикла является поиск решения проблемы или проекта. Жизненный цикл машинного обучения включает семь основных этапов, которые приведены ниже:
- Сбор данных
- Подготовка данных
- Обработка данных
- Анализ данных
- Обучите модель
- Протестируйте модель
- Развертывание