Машинное обучение

Машинное обучение, глубокое обучение и искусственный интеллект — это несколько терминов, которые используются взаимозаменяемо и часто заставляют даже практиков с отличным отраслевым и исследовательским опытом размышлять над тем, когда какой термин использовать.

С наступлением цифровой эры искусственный интеллект стал топливом для огня там, где он применяется практически во всех областях, о которых мы знаем сегодня.

Искусственный интеллект

Этот термин был придуман Джоном Маккарти в 1956 году на семинаре в Дартмутском колледже, чтобы отличить эту область от кибернетики.

Искусственный интеллект относится к моделированию человеческого интеллекта в машинах, которые запрограммированы думать как люди и имитировать их действия. Этот термин также может применяться к любой машине, которая демонстрирует черты, связанные с человеческим разумом, такие как обучение и решение проблем.

Машинное обучение

Термин машинное обучение был придуман в 1959 году Артуром Сэмюэлем, американским сотрудником IBM и пионером в области компьютерных игр и искусственного интеллекта.

Том М. Митчелл предоставил широко цитируемое более формальное определение алгоритмов, изучаемых в области машинного обучения.

Машинное обучение (ML) — это изучение компьютерных алгоритмов, которые автоматически совершенствуются благодаря опыту. Это рассматривается как подмножество искусственных алгоритмов машинного обучения, строящих модель на основе выборочных данных, известных как «данные для обучения», чтобы делать прогнозы или принимать решения без явного программирования для этого. Алгоритмы машинного обучения используются в самых разных приложениях, таких как фильтрация электронной почты и компьютерное зрение, где сложно или невозможно разработать обычные алгоритмы для выполнения необходимых задач.

Глубокое обучение

Рина Дехтер в своей статье «Обучение при поиске в задачах ограничения-удовлетворения», опубликованной в 1986 году, где она представила концепцию глубокого обучения. Она назвала глубоким обучением идею извлечения всей возможной информации из тупика, что означает запись всего исследованного пространства поиска для повышения эффективности обучения.

Глубокое обучение позволяет вычислительным моделям, состоящим из нескольких уровней обработки, изучать представления данных с несколькими уровнями абстракции.

Дорожная карта ИИ

Изображение, которое вы видите выше, действительно полезно в ситуациях, когда вам нужно решить, какой проблеме противодействовать, с каким типом варианта использования и алгоритма ИИ можно ясно увидеть, как машинное обучение делится на классическое машинное обучение, глубокое обучение, ансамблевые методы и подкрепление. Обучение.

В этой статье мы будем рассматривать только контролируемое машинное обучение.

Контролируемое машинное обучение

Машинное обучение с учителем — это когда у нас есть входная переменная (x) и выходная переменная (y), и мы пытаемся вычислить функцию, которая отображает x в y таким образом, что: Y=f(x).

Наша конечная цель — настолько хорошо аппроксимировать функцию отображения, чтобы при передаче нового ввода она могла предсказать новый вывод с минимальными ошибками.

Далее он делится на две категории.

1. Классификация

2. Регрессия

Классификация

Классификация — это задача, в которой выходные переменные представляют собой категории и дискретны по своей природе, например, красный, синий или пациент с лихорадкой и без лихорадки.

Некоторые из алгоритмов классификации включают в себя:

  1. Наивный Байес
  2. КНН
  3. SVM
  4. Деревья решений
  5. Логистическая регрессия

Регрессия

Проблема регрессии возникает, когда выходная переменная представляет собой реальное значение и может быть непрерывным по своей природе, например, «доллары» или «вес».

Некоторые типы алгоритмов регрессии

1. Линейная регрессия

2. Многомерная регрессия

3. Регрессия гребня/лассо

4. Байесовская линейная регрессия

Обратите внимание, что под непрерывностью в двух примерах мы подразумеваем, что вес может быть 15 кг и 15,2,15,4,15,7 и может принимать десятичные значения, так же как доллары могут принимать значения как 20,25 долларов и т. д.

Оставайтесь с нами, чтобы узнать больше такого контента и получить более глубокие знания по каждой теме.