Все мы знаем, как день ото дня развивается искусственный интеллект и машинное обучение. ML, конечно, будет самой революционной технологией следующих десятилетий. Карьерный путь инженера по машинному обучению также является наиболее желательным и многообещающим в области науки о данных. Машинное обучение будет влиять на все области, такие как то, как мы общаемся, путешествия, покупки, рутинные задачи, бизнес-секторы и т. Д. Согласно Indeed, инженер по машинному обучению - лучшая работа с пиковым ростом и средней зарплатой в 146 085 долларов в год.
Дайте нам знать фактическое определение машинного обучения.
По словам Артура Сэмюэля в 1959 году,
Машинное обучение определяется как область обучения, которая дает компьютерам возможность учиться без явного программирования.
По словам Тома Митчелла в 1998 году, машинное обучение определяется как
Говорят, что компьютерная программа учится на опыте E в отношении некоторой задачи T и некоторого показателя производительности P, если ее производительность на T, измеренная с помощью P, улучшается с опытом E.
Проще говоря, если мы извлекаем входные и выходные данные в модель машинного обучения, она дает нам результат в виде правил, которые необходимо выполнить или следовать.
Пример:
Предположим, у нас есть проблема, произведена ли оплата по имеющимся счетам. Здесь на входе доступны счета, а на выходе - произведена оплата или нет. Итак, позвольте машинному обучению использовать эти данные для создания модели.
Как мы видим на изображении выше, правила генерируются в модели машинного обучения. Это можно использовать для прогнозирования бизнес-результатов в любой ситуации, когда у вас есть входные и прошлые выходные данные.
Типы машинного обучения:
Обучение с учителем:
В контролируемом обучении у нас будет набор входных данных, и мы уже знаем, как должен выглядеть наш правильный результат, имея представление о взаимосвязи между входом и выходом.
Пример приведен ниже:
Глядя на изображение выше, мы можем четко понять контролируемое обучение.
Задачи контролируемого обучения подразделяются на регрессию и классификацию, как показано ниже:
В регрессии мы пытаемся предсказать результаты на непрерывном выходе, тогда как при классификации мы пытаемся предсказать результаты на дискретном выходе.
Пример регрессии:
Вы дали изображение человека, и мы должны были предсказать возраст человека на основе данного изображения.
Пример классификации:
Учитывая пациента с опухолью, мы должны предсказать, является ли опухоль злокачественной или доброкачественной.
Обучение без учителя:
Обучение без учителя позволяет нам подходить к проблемам с небольшим или отсутствующим представлением о том, как выглядят наши результаты.
Мы можем получить эту структуру путем кластеризации данных на основе отношений между переменными в данных.
Неконтролируемое обучение подразделяется на кластеризацию и некластеризацию.
Пример кластеризации: возьмите коллекцию из 2 000 000 различных видов и найдите способ автоматически сгруппировать эти виды в группы, которые так или иначе похожи или связаны разными переменными, такими как продолжительность жизни, продолжительность жизни, местоположение и т. Д.
Пример некластеризации: «Алгоритм коктейльной вечеринки» позволяет вам найти структуру в хаотической среде, то есть идентифицировать отдельные голоса и музыку из сетки звуков на коктейльной вечеринке.
Обучение с подкреплением:
Обучение с подкреплением - это метод, основанный на обратной связи, при котором агент учится вести себя в среде, выполняя действия и видя результаты действий. За каждое хорошее действие агент получает положительную обратную связь, а за каждое плохое действие агент получает отрицательный отзыв или штраф.
Обучение с подкреплением - это основная часть искусственного интеллекта, и агенты работают над концепцией обучения с подкреплением. Нам не нужно предварительно программировать агента, поскольку он учится на собственном опыте без какого-либо вмешательства человека.
Следите за этой страницей для просмотра связанных блогов:
