Машинное обучение… Машинное обучение
Машинное обучение окружает нас повсюду: от НАСА, использующего его для отслеживания активности солнца, до сервисов социальных сетей для распознавания лиц на фотографиях. Машинное обучение использует наши традиционные методы обучения и науку о данных для создания обучающей среды для машин. Я хочу помочь своим бабушкам и дедушкам понять, как все это работает.
Машинное обучение — это члены семьи с искусственным интеллектом (ИИ) и глубоким обучением. Машинное обучение берет информацию, которую вы хотите обучить алгоритму (например, время, когда вы хотели, чтобы я выучил математику или читал), чтобы продолжать подавать данные, пока алгоритм не сможет выдать правильный результат. Теперь, если вы продолжите скармливать алгоритму данные, которые вам не нужны, в которых вы нуждаетесь, или которые являются плохими (например, показ насилия над ребенком или выставление их ругательствам), он выдаст неверные данные или результат, который вам не нужен. Когда я слышу машинное обучение, это напоминает мне о моем воспитании и детстве. Если бы у меня было плохое воспитание, мне было бы труднее быть позитивным. Машинное обучение имеет и другое значение: «Извлечение знаний из данных». Это не означает, что это связано с ИИ. Говорят, это ближе к статистическому анализу и интеллектуальному анализу данных.
Мама (бабушка) со своим карибским акцентом: Шон, что такое сбор данных и статистический анализ? это интеллектуальный анализ данных, как когда вы спускаетесь в шахту, чтобы добывать уголь или алмазы.
Да, вы в чем-то правы, но вместо того, чтобы добывать уголь или алмазы. Они ищут в структуре кода определенную информацию. Например, если вам нужно было написать эссе, вы объединили все свои статьи и книги. Вы выбираете только ту информацию, которая вам нужна, из того, что вы читаете, чтобы построить эссе. Это интеллектуальный анализ данных в основных словах.
Мама: ты говорил о статистическом анализе. Что это ? Я понимаю анализировать, но, пожалуйста, объясните:
Статистический анализ — это сбор и тщательная проверка каждого бита образцов данных, которые вы получили от своего алгоритма. это похоже на то, как если бы вы приготовили мне макароны или рис и использовали корзину для сита, чтобы разделить воду (плохие данные или данные, которые нам не нужны) и макароны (хорошие данные или необходимые данные).
Мама (бабушка): Я знаю, что ты хорошо разбираешься в компьютерах, но я не во всем этом разбираюсь.
Я: не волнуйся, следующую часть ты поймешь.
С тех пор, как вы были родителем, вы использовали другой стиль обучения, чтобы научить своих детей воспринимать информацию. Как и ваши методы воспитания, это разные способы обучения машины тому, как лучше узнавать данные.
Обучение супервизора имеет помощь, когда оно помечено или известные данные вручную передаются в программу/алгоритм. Это как учить малыша с помощью карточек. На нем будет изображение яблока с этикеткой, чтобы дать ему некоторое представление. Во-вторых, мы снабдим алгоритм/программу информацией о картинке с яблоком без этикетки. Это позволит алгоритму попытаться выяснить, что это за объект. Посмотреть пример от Simplilearn:
Неконтролируемое обучение использует немаркированные данные как заданные. Этот метод не имеет механизма обратной связи. Это когда родителю приходится работать долгие часы, а затем мир становится учителем без фильтров. Ничто не защитит ребенка от неверных данных.
и обучение с подкреплением
Нейронная сеть
мораль машинного обучения
Теперь давайте перейдем к другим родственникам машинного обучения. Глубокое обучение
