Итак, это первый день курса «Машинное обучение с Python»… Хотя я прошел первые 3 недели старого курса ML у Эндрю Н. задания по программированию... Я решил продолжить этот курс. Также после этого курса я буду записываться на «Специализацию глубокого обучения» Эндрю Нг.

Вот краткое изложение того, что я узнал сегодня ……….

Что такое машинное обучение?

Машинное обучение — это область компьютерных наук, которая дает «компьютерам возможность учиться без явного программирования».

Предположим, у вас есть набор данных изображений животных, таких как кошки и собаки, и мы хотим, чтобы приложение различало их. Использование машинного обучения позволяет нам построить модель, которая рассматривает все наборы функций и соответствующие им типы животных, и изучает шаблон каждого животного. Это модель, построенная с помощью алгоритмов машинного обучения. Он обнаруживает без явного программирования для этого. Машинное обучение следует тому же процессу, который 4-летний ребенок использует для изучения, понимания и дифференциации животных. Итак, алгоритмы машинного обучения, вдохновленные процессом обучения человека, итеративно извлекают уроки из данных и позволяют компьютерам находить скрытые идеи. Эти модели помогают нам в различных задачах, таких как распознавание объектов, обобщение, рекомендации и так далее.

Одним из реальных примеров машинного обучения являются Amazon и Netflix, которые рекомендуют видео, фильмы и телепередачи в зависимости от предпочтений пользователя.

Несколько наиболее популярных методов

a)Техника регрессии/оценки используется для прогнозирования непрерывного значения. Например, прогнозирование таких вещей, как цена дома на основе его характеристик, или оценка выбросов CO2 от двигателя автомобиля.

b)Метод классификации используется для прогнозирования класса или категории случая, например, является ли клетка доброкачественной или злокачественной.

c)Группирование групп похожих случаев, например, может найти похожих пациентов или может использоваться для сегментации клиентов в банковской сфере.

d)Техника ассоциации используется для поиска товаров или событий, которые часто происходят одновременно, например продуктов, которые обычно покупаются вместе определенным покупателем.

e)Обнаружение аномалий используется для обнаружения аномальных и необычных случаев, например, для обнаружения мошенничества с кредитными картами.

f)Интеллектуальный анализ последовательности используется для прогнозирования следующего события, например потока кликов на веб-сайтах.

g)Уменьшение размера используется для уменьшения размера данных.

h) Системы рекомендаций. Она связывает предпочтения людей с теми, у кого похожие вкусы, и рекомендует им новые товары, например книги или фильмы.

Разница между AI, ML и DL

ИИпытается сделать компьютеры интеллектуальными, чтобы имитировать когнитивные функции человека. Итак, искусственный интеллект — это общая область с широкой областью применения, включая: компьютерное зрение, языковую обработку, творчество и обобщение.

Машинное обучение – это раздел искусственного интеллекта, который охватывает статистическую часть искусственного интеллекта. Он учит компьютер решать проблемы, просматривая сотни или тысячи примеров, извлекая уроки из них, а затем используя этот опыт для решения той же задачи в новых ситуациях.

Глубокое обучение (революция в машинном обучении) – это особая область машинного обучения, в которой компьютеры могут учиться и принимать разумные решения самостоятельно. Глубокое обучение предполагает более глубокий уровень автоматизации по сравнению с большинством алгоритмов машинного обучения.

Обучение с учителем и обучение без учителя

В Sобучение с учителем мы загружаем модель знаниями, чтобы она могла предсказывать будущие экземпляры. Мы обучаем модель, обучая ее некоторым данным из размеченного набора данных. Который выглядит примерно так….

Существует два типа контролируемых методов обучения:

Это классификация и регрессия. Классификация — это процесс прогнозирования метки дискретного класса или категории.

Регрессия – это процесс прогнозирования непрерывного значения, а не прогнозирования категориального значения при классификации.

Этот набор данных связан с выбросами CO2 различных автомобилей. Это включает в себя; объем двигателя, цилиндры, расход топлива и выбросы CO2 различных моделей автомобилей. Имея этот набор данных, вы можете использовать регрессию для прогнозирования выбросов CO2 нового автомобиля, используя другие поля, такие как объем двигателя или количество цилиндров.

При обучении без учителя мы не контролируем модель, но позволяем модели работать самостоятельно, чтобы обнаруживать информацию, которая может быть не видна человеческому глазу. Это означает, что неконтролируемый алгоритм обучается на наборе данных и делает выводы на неразмеченных данных. Вообще говоря, обучение без учителя имеет более сложные алгоритмы, чем обучение с учителем, поскольку мы практически не знаем информации о данных или ожидаемых результатах. Уменьшение размерности, оценка плотности, анализ потребительской корзины и кластеризация являются наиболее широко используемыми методами машинного обучения без учителя.

Кластеризация считается одним из самых популярных неконтролируемых методов машинного обучения, используемых для группировки точек данных или объектов, которые чем-то похожи.

Кластерный анализ имеет множество применений в разных областях, будь то желание банка сегментировать своих клиентов на основе определенных характеристик или помочь человеку организовать в группе свои любимые музыкальные жанры. Однако в целом кластеризация используется в основном для обнаружения структуры, обобщения и обнаружения аномалий.

Итак, на сегодня все………