Машинное обучение.
Как следует из названия, это дает машине возможность учиться на прошлом опыте. Мы знаем, что люди учатся на своем прошлом опыте, и в машинном обучении машина может учиться на этом прошлом опыте, как люди. машинное обучение дает машинам возможность частично действовать как люди, но не полностью.
Машинное обучение — это часть искусственного интеллекта, которая помогает машине изучать различные вещи без явного программирования. Это уменьшает осложнения и эффективнее, чем люди.
Вы бы заметили, что если мы ищем конкретную вещь или ключевое слово на You-Tube или в Google, мы получаем соответствующие рекомендации с You-Tube. You-Tube дает рекомендации, основанные на нашей прошлой истории. Итак, как Google делает это, человек не может давать рекомендации каждому человеку, просматривая прошлую историю поиска индивидуально, так как же Google это делает. У Google есть собственный алгоритм машинного обучения, который определяет область интересов каждого человека из их истории поиска и дает им рекомендации на основе этой области интересов. Машинное обучение — очень большая область, в настоящее время оно широко используется в каждом цифровом секторе.
Как машина учится?
Есть три способа машинного обучения
- Контролируемое обучение
- Неконтролируемое обучение
- Обучение с подкреплением
1] Контролируемое обучение
В контролируемом обучении машина использует помеченные данные для обучения.
Предположим, у нас есть подача в машину, что если овощ в кастрюле имеет вес 100 г, то это картофель, если он весит 50 г, то это морковь, а если он весит более 100 г, то это помидор, поэтому машина может легко предсказать, какой овощ находится в кастрюле. сковороде в зависимости от их веса. Итак, это называется обучением с учителем, здесь мы загружаем помеченные данные в машину. здесь вес - это характеристика овощей, а название овощей - этикетка.
2] Обучение без учителя
Обучение без размеченных данных является обучением без присмотра, в этом типе обучения размеченные данные не предоставляются на входе.
Предположим, вы хотите проанализировать выступление команды по крикету за последние несколько матчей. Поэтому мы дадим некоторые данные на вход, и эти данные будут забитыми пробежками и калитками, поэтому все заданные количества будут отображаться на графике и давать вам результат. предположим, что мы взяли прогоны по оси Y и калитки по оси X, поэтому мы обнаружим, что сформированный график представляет собой линейный график, соединяющий разные точки (для большего понимания см. img2). В зависимости от ориентации графика машина покажет вам, в какой момент команда показала хорошие результаты.
3] Обучение с подкреплением
Обучение с подкреплением основано на вознаграждении и работает по принципу обратной связи. В обучении с подкреплением машина учится, как дети, мы знаем, что дети узнают о разных вещах от других людей, находящихся в окружении, машины также учатся в окружающей среде и дают результат, и она получает обратную связь от пользователя, что данный прогноз верен или нет, если он верен, тогда машина сохраняет свое решение (результат/вывод) как есть, и если его прогноз неверен, то машина удаляет свой результат или вывод и снова узнает об этом из окружающей среды.
Предположим, вы показали изображение собаки на входе машины и передали в машину, что показанное изображение является собакой, если мы покажем другое изображение собаки машине, тогда она легко предскажет, что показанное изображение является собакой, получив обратную связь от первого изображения Собака.
Итак, это все о «Как машина учится».
