Машинное обучение, как следует из названия, просто заставляет машину учиться. Машинное обучение - это приложение искусственного интеллекта, которое позволяет системе получать доступ к данным и учиться на них.
Обучение может быть выполнено с помощью: Обучение с учителем, Обучение без учителя, Обучение с подкреплением.
- В контролируемом обучении мы даем машине помеченные данные, что означает входные данные (Функции) вместе с выходными данными (Цель ), относящиеся к входным данным. Затем машина создает шаблоны (эти шаблоны называются Модель) с входными и выходными данными. Теперь эту модель можно использовать для прогнозирования выхода любого нового заданного входа.
- В неконтролируемом обучении мы передаем машине немаркированные данные, которые являются только входными данными. Машина находит закономерности (классы) во входных данных.
- В обучении с подкреплением машина обучается по системе поощрений и наказаний, взаимодействуя с окружающей средой.
Другой набор ключевых concpets: Регрессия, классификация и кластеризация.
- Регрессия - это функция модели контролируемого обучения, которая используется, когда шаблон данных является непрерывным.
- Классификация - это функция модели контролируемого обучения, которая используется, когда набор данных является дискретным.
- Кластеризация - это обучение без учителя, при котором похожие данные группируются по функциям.
ЧТО НА САМОМ ДЕЛЕ МЫ ДЕЛАЕМ С МАШИННЫМ ОБУЧЕНИЕМ?
- Мы обучаем машину с данными, чтобы сформировать шаблон в данных (модели).
- С помощью этой модели мы либо прогнозируем значение целевой переменной с новыми функциями, либо классифицируем функции.
Теперь выбор модели, которая соответствует данным данным, является утомительной задачей. Идеальная модель - это та, которая лучше всего соответствует данным, то есть дает меньшую разницу между прогнозируемым выходом и фактическим выходом. Для этой цели мы можем использовать среднеквадратичную ошибку, R-квадрат, P-значение, скорректированный R-квадрат и т. Д.
