Что такое машинное обучение (ML)?

ML — это научное исследование алгоритмов и статистических моделей, которые компьютерные системы используют для эффективного выполнения конкретной задачи без использования явных инструкций, полагаясь вместо этого на шаблоны и интерфейсы.

Типы машинного обучения:

Все машинное обучение делится на типы на основе алгоритмов. Типы перечислены ниже:

Контролируемое обучение:

Это обучение отвечает за то, чтобы направлять деятельность и проверять, работает ли она желаемым образом или нет, если она не работает желаемым образом, исправить ее, чтобы она работала должным образом. При этом машина начинает обучение в соответствии с набором правил/рекомендаций, передавая помеченные данные, передавая входные и выходные данные и обучая машину работать с данными, которые мы передаем, и машина начинает работать до тех пор, пока не выдаст вывод, который должен совпадать с выводом. которые мы проходили при обучении машины. Этот тип решает два типа задач.

1. Классификация

2. Регрессия

Классификация — это задача, в которой выходной переменной является категория, такая как цвет, болезни, письма (спам/не спам) и т. д.

Регрессия — это проблема, когда выходная переменная представляет собой реальное значение/непрерывную величину, такую ​​как вес, рост, валюта, ставки и т. д.

Пример: теперь мы передаем изображение ниже в качестве входных данных и пытаемся выяснить, сколько каждого овоща.

1. Машина начинает идентифицировать и пытается классифицировать, что есть на этом изображении?

2. Начинается классификация, и там написано, что это овощи.

3. Теперь он снова пытается классифицировать снова, основываясь на их форме и цвете.

4. Как это классифицировать?

5. Круглый и красный цвет — помидор

6. Овальная форма и цвет грязи — картофель.

Пример: каждая страна в этом мире имеет свои собственные валюты (индийские рупии, доллары США, евро и т. д.), и конвертация валюты между странами рассчитывается ежедневно, и на выходе получается реальная стоимость. Мы будем передавать ввод ежедневно, а через несколько дней строится график и проверяется, когда и каков рост/падение курса валюты, и прогнозируем значение конверсии в последующие дни.

Пример. Рассчитайте ВВП страны, передав множество факторов, таких как продажи велосипедов, автомобилей, продажи электроники и т. д., и спрогнозируйте ВВП как результат.

Некоторые из наиболее часто используемых алгоритмов в контролируемом обучении:

1. Машины опорных векторов

2. Линейная регрессия

3. Логистическая регрессия

4. Наивный Байес

5. Линейный дискриминантный анализ

6. Деревья решений

7. Алгоритм K-ближайшего соседа

8. Обучение подобия

9. Нейронные сети

10. Случайный лес

Обучение без учителя:

Это самоорганизация, в которой нет обучающих данных или помеченных данных. Машина сама находит шаблоны на основе входных данных и выводит выходные данные. Этот тип решает два типа задач в целом.

1. Ассоциация

2. Кластеризация

Проблема Association описывает правила, основанные на ваших входных данных.

Задача кластеризации решает проблему группировки данных на основе сходства.

Пример: самый распространенный мыслительный процесс людей — люди посещают рынки, чтобы купить продукты. Здесь это решает проблему ассоциации, например, если покупатель покупает соль, он склонен покупать и перец. Таким образом мы пытаемся создать ассоциации между мыслительными процессами клиентов. Еще много примеров, таких как хлеб и джем, миска и ложка и т. д.

Пример: люди покупают товары в Интернете, основываясь на их истории покупок, мы разделим их на кластеры, как и на любом веб-сайте электронной коммерции, на основе типа товаров, которые покупают клиенты, мы сформируем несколько кластеров, которые некоторые люди принадлежат к покупкам модной одежды и некоторые принадлежат покупателям электронных товаров и т. д.

Некоторые из наиболее часто используемых алгоритмов при обучении без учителя:

1. Алгоритм K-средних для кластеризации

2. Алгоритм C-Means для кластеризации

3. Априорный алгоритм ассоциации

4. Разработка правила ассоциации для ассоциации

5. Анализ главных компонентов

6. Разложение по сингулярным числам

7. Анализ независимых компонентов

Обучение с подкреплением

Это самообучение, позволяющее машинам автоматически определять свое поведение, собирая наблюдения из окружающей среды и делая их интерактивными.

Пример: Роботы. Там, где они ничего не знают, но после некоторых действий он собирает некоторую информацию, использует ее и находит решения, где это максимизирует продуктивную работу и минимизирует риски. Роботы учатся, совершая движения вправо/влево/вперед/назад, и за каждое движение они получают вознаграждение или наказание. Из этих данных он учится сам.

Некоторые из наиболее часто используемых алгоритмов в рамках обучения с подкреплением:

1. Q-обучение

2. Алгоритм SARSA (государственное вознаграждение за действие и государственное действие)

Случаи использования машинного обучения:

Машинное обучение имеет бесконечный список вариантов использования. Вот несколько вариантов использования.

Контролируемое обучение:

1. Сферы бизнеса

2. Оценка риска

3. Прогноз продаж

4. Анализ рисков

5. Прогнозирование продаж

6. Прогнозирование прибыли/убытка

Неконтролируемое обучение:

1. Системы рекомендаций (на основе покупок на сайтах электронной коммерции)

2. Обнаружение аномалий (Мошенничество с кредитными картами)

Обучение с подкреплением:

1. Беспилотные автомобили

2. Игры (пример: альфаго)

Вывод:

Как всем известно, сегодняшний мир отстает от машинного обучения и искусственного интеллекта, и я беру на себя задачу решить многие проблемы, которые я обсуждал в качестве примеров выше. Придумает новую статью, взяв вариант использования и решив ее, используя любой из вышеперечисленных алгоритмов.