…
Соавтор — Сударшан
Этот пост охватывает основные концепции машинного обучения и дает вам более четкое представление о его происхождении и различиях. Мы будем говорить о значении машинного обучения и широкой классификации различных методов машинного обучения. Но прежде чем мы коснемся машинного обучения, давайте разберемся с обучением и интеллектом.
Что такое обучение и интеллект?
Обучение – это приобретение знаний или навыков посредством опыта, изучения, наблюдения или обучения.
Кембриджский словарь определяет интеллект как «способность учиться, понимать и делать суждения или иметь мнение, основанное на разуме».
Люди выжили более 200 тысяч лет благодаря своей уникальной способности учиться и адаптироваться. Люди запоминают свой прошлый опыт, как положительный, так и отрицательный, и в подобных будущих ситуациях используют эти знания для принятия решений.
Маленькие дети, например, отлично учатся. Поскольку они не понимают тонкостей человеческого языка, они наблюдают в деталях и учатся на основе обратной связи, которую они получают от окружающей среды. Они перенимают этот опыт, запоминают обратную связь и узнают больше. Каким трудным может быть воспитание детей, как вы заставляете своего ребенка есть детское питание. Ребенок различает пищу по внешнему виду, запаху или вкусу, вспоминает о своем опыте и ест или отказывается от нее. Теперь потратьте 5 секунд и представьте этот сценарий, вы мгновенно вспоминаете свой собственный опыт или думаете о чем-то, что вы видели и, возможно, имеете отношение к этому.
• • •
Теперь давайте обсудим концепцию обучения и интеллекта в нечеловеческом контексте.
1. Искусственный интеллект (ИИ).
2. Машинное обучение (ML).
Если мы повторим предыдущие определения в машинном контексте,
ИИ копирует или реконструирует человеческий интеллект в машинах, чтобы учиться, понимать, делать суждения или делать предложения, основанные на разуме. Это приложение интеллекта в машинах.
ML по определению Артура Сэмюэля (1959) — «область исследования, которая дает компьютерам возможность учиться без явного программирования».
ML — это подмножество ИИ. Он обеспечивает когнитивные способности, используя статистические инструменты для машин без программирования. То есть машины адаптируются к окружающей среде на основе внешних раздражителей без статической модели программ.
• • •
Почему машинное обучение?
Машинное обучение — это инструмент, который преобразует информацию в знания. Он используется компаниями для анализа больших данных и решения проблем. Он позволяет анализировать большие объемы данных, в то же время обеспечивая более быстрые и точные результаты для выявления выгодных возможностей или опасных возможностей.
риски для компаний. Это помогает принять разумное решение или сделать точный прогноз или просто вывести новые факты, изучая существующие данные.
Чтобы лучше понять машинное обучение, давайте сначала разберемся, чем оно отличается от традиционного программирования. В традиционном программировании мы пишем программу, а затем предоставляем входные данные для этой программы. На основе ввода и программы компьютер выдает желаемый результат. Принимая во внимание, что в подходе машинного обучения вы даете компьютеру вывод, то есть вы даете компьютеру примеры того, что вы хотите, чтобы программа делала. Идея состоит в том, чтобы заставить программу учиться на предоставленных вами данных, чтобы она могла вывести результаты для невидимых данных на основе своего опыта.
• • •
Вы можете использовать 4 разных подхода в соответствии с требованиями, чтобы машина научилась.
1. Обучение под наблюдением.
Обучение с учителем является наиболее применяемой формой машинного обучения и зарекомендовало себя как отличный инструмент для целей регрессии и классификации во многих областях. Вы можете напрямую связать Supervised ML с концепцией учителя или руководителя. В контексте ML модель обучается на помеченном наборе данных. Помеченный набор данных — это когда заданы как входные, так и выходные параметры. Обучающие данные будут состоять из входных данных, правильно соединенных с соответствующими выходными данными. Это поможет модели установить отношения и закономерности. Во время обучения алгоритм будет искать эти шаблоны в данных и соотносить их с желаемым результатом. По мере обучения данных вы заметите повышение точности и уменьшение различий между ожидаемыми и прогнозируемыми значениями. Цель здесь состоит в том, чтобы разумным образом обобщить предсказуемость модели на невидимые ситуации.
Приложения контролируемого машинного обучения включают —
Предиктивный анализ с регрессией или классификацией.
o Прогнозирование будущей стоимости акций или цен на недвижимость.
o Классификация для обнаружения спама в ваших электронных письмах.
Анализ настроений, классификация изображений, обнаружение шаблонов и многое другое.
• • •
2. Обучение без учителя —
Неконтролируемое машинное обучение — это обучение без супервизора, то есть алгоритмы обучения обучаются на немаркированных наборах данных. Немаркированный набор данных — это входные данные без меток, классификации или категоризации. Модели выявляют сходства, закономерности и различия и группируют все данные с этими наблюдениями без какой-либо предварительной подготовки данных. Это делает его полезным, когда необходимо узнать, как данные могут быть сгруппированы или кластеризованы.
Например, если вы хотите сгруппировать животных на изображении ниже как кошек и собак, и вы никогда их раньше не видели. Будет очень трудно сгруппировать их в две категории без какой-либо информации для их классификации. В этом случае машина будет классифицировать их как кошек или собак на основе схожих или различных характеристик животных.
Эти модели полезны в тех случаях, когда у нас есть данные, но мы не знаем, что искать.
Следовательно, если с этим хорошо обращаться, это приведет к появлению новых неопознанных паттернов и отношений.
Неконтролируемые приложения машинного обучения включают кластеризацию и ассоциацию.
Эта модель может быть применена к клиентской базе, для кластеризации клиентов для маркетинговых кампаний. Одним из самых популярных примеров этого метода является ассоциация Пиво — Подгузник. Wal-Mart, крупнейший в мире ритейлер, якобы обнаружил, что в определенные периоды времени пиво и подгузники продаются особенно хорошо вместе, и поэтому они разместили пиво рядом с подгузниками. Продажи взлетели до небес. Эти модели способны создать следующую классическую ассоциацию пива и подгузников.
• • •
3. Полуконтролируемое обучение —
В предыдущих двух типах обучения набор данных либо помечен, либо не помечен. Полуконтролируемый находится где-то посередине. В этом типе обучения алгоритм обучается на комбинации размеченных и неразмеченных данных. Как правило, эта комбинация состоит из небольшого количества размеченных данных и очень большого количества неразмеченных данных. Общая процедура предполагает, что программист сначала кластеризует похожие данные, используя алгоритм обучения без учителя, а затем использует существующие размеченные данные для обозначения остальных неразмеченных данных.
Для лучшего понимания давайте возьмем в качестве гипотетического примера набор клиентов, и из этого набора у нас есть только 1–3% клиентов, помеченных одинаково.
Сначала вы должны сгруппировать клиентов, используя алгоритм обучения без присмотра. Теперь, если мы визуализируем, мы найдем непомеченных соседей для помеченных элементов и сможем соответствующим образом их пометить. Мы повторяем этот процесс до тех пор, пока все немаркированные элементы не будут помечены, чтобы применить различные другие модели в зависимости от необходимости.
Обычно используемый случай для этого типа обучения — это когда стоимость получения помеченных данных довольно высока.
• • •
4. Обучение с подкреплением —
Усиленное обучение постоянно учится в окружающей среде итеративным образом. Агент учится методом проб и ошибок. Чтобы заставить машину делать то, что хочет программист, агент либо получает вознаграждение, либо штраф за выполняемые им действия. Его цель состоит в том, чтобы максимизировать общее вознаграждение за заданный период времени. Это приведет к тому, что машина достигнет своей цели в оптимальное время и примет наилучшие решения.
Для понимания цели предположим, что у вас есть собака, и вы хотите ее дрессировать. Вы вознаграждаете собаку лакомством, когда она слушается ваших указаний. Со временем собака усваивает эти шаблоны инструкций, чтобы получить вкусное угощение, и всякий раз, когда она не подчиняется, она теряет угощение или получает наказание. Поэтому, чтобы собака максимизировала цель заработать больше угощений, она будет следовать вашим инструкциям.
Обучение с подкреплением в основном применяется в игровых агентах. Цель состоит в том, чтобы максимизировать балл, а обучение с подкреплением может выявить закономерности и максимизировать баллы. Он широко используется в робототехнике на производственных и складских предприятиях, активно исследуется в сфере логистики и во многих других областях.
Последнее —
Мы планируем подробно рассказать об основах машинного обучения в следующих статьях.
Дайте нам знать, что вы думаете об этом, если у вас есть предложения по теме, которую вы хотели бы видеть здесь, свяжитесь с нами.
Если вам понравились статьи, ставьте лайки 👏, чтобы порекомендовать эту статью другим людям. Спасибо!
