Алгоритмы машинного обучения — это программы (математические и логические), которые приспосабливаются к более высокой производительности по мере того, как они подвергаются большему количеству данных. «Обучающая» часть машинного обучения означает, что эти программы меняют то, как они обрабатывают данные с течением времени, во многом так же, как люди меняют то, как они обрабатывают данные, обучаясь.
Машинное обучение — это приложение искусственного интеллекта (ИИ), которое предоставляет системам возможность автоматически учиться и совершенствоваться на основе опыта без явного программирования. Машинное обучение фокусируется на разработке компьютерных программ, которые могут получать доступ к данным и использовать их для самостоятельного обучения.
Основные категории алгоритмов машинного обучения:
- Контролируемое обучение
- Неконтролируемое обучение
- Полуконтролируемое обучение
- Обучение с подкреплением.
- Контролируемое обучение
Обучение с учителем — это задача машинного обучения для изучения функции, которая сопоставляет входные данные с выходными на основе примеров пар вход-выход. Он выводит функцию из помеченных обучающих данных, состоящих из набора обучающих примеров.
В этом типе эксперты-люди выступают в роли учителя, где они передают обучающие данные компьютеру, содержащему входные данные / предикторы, и мы показываем ему правильный ответ, и на основе этих данных компьютер должен быть в состоянии изучить шаблоны.
Некоторые из обычно контролируемых алгоритмов:
- "Линейная регрессия"
- Логистическая регрессия
- Опорные векторные машины
- Узнать Продвижение машинного обучения: машины опорных векторов (SVM) Python
- Узнать Продвижение машинного обучения: методы опорных векторов (SVM) в R
- Деревья решений.
2. Неконтролируемое обучение
Обучение без учителя — это тип самоорганизованного обучения по Хеббу, который помогает находить ранее неизвестные закономерности в наборе данных без ранее существовавших меток. Он также известен как самоорганизация и позволяет моделировать плотность вероятности заданных входных данных.
Вот некоторые из часто используемых неконтролируемых алгоритмов:
- Кластеризация K-средних
- т-СНЭ
- СПС.
3. Частично–обучение под наблюдением
Полууправляемое обучение — это класс задач и методов машинного обучения, которые также используют неразмеченные данные для обучения — обычно небольшой объем размеченных данных с большим объемом неразмеченных данных.
4. Обучение с подкреплением
Обучение с подкреплением в контексте искусственного интеллекта — это тип динамического программирования, который обучает алгоритмы с использованием системы вознаграждения и наказания. Алгоритм обучения с подкреплением, или агент, обучается, взаимодействуя со своей средой. Он позволяет программным агентам и машинам автоматически определять идеальное поведение в определенном контексте, чтобы максимизировать его производительность.
Вот некоторые из наиболее часто используемых методов обучения с подкреплением:
- Q-обучение
- Временная разница
- Поиск по дереву Монте-Карло.
Однако машинное обучение остается относительно «сложной» проблемой. Нет никаких сомнений в том, что наука о продвижении алгоритмов машинного обучения посредством исследований сложна. Это требует творчества, экспериментов и упорства. Сложность в том, что машинное обучение — это принципиально сложная проблема отладки.