Прежде чем перейти к теме, давайте сначала рассмотрим формальное определение машинного обучения, взятое из Википедии.

Машинное обучение (ML) - это научное исследование алгоритмов и статистических моделей, которые компьютерные системы используют для эффективного выполнения конкретной задачи без использования явных инструкций, вместо этого полагаясь на шаблоны и логические выводы ».

Машинное обучение - это часть искусственного интеллекта (ИИ). Как написано в приведенном выше определении, ML - это область информатики, которая может предсказывать значения и результаты в данной ситуации с предоставленными прошлыми данными. Машинное обучение дает компьютерам возможность учиться на существующих ранее данных.

Чтобы учиться на заданных данных, алгоритмы машинного обучения используют различные виды математики. Эта математика может быть настолько простой, как полиномиальная функция, так и сложной, как многомерные функции, а иногда и функцией вероятности.

Основная цель этой математики - выявить связь между входом и выходом. Возьмем простой пример: предположим, вам дали дюжину яблок, и вам также сообщили себестоимость этих 12 яблок, и если я спрошу у вас стоимость 18 яблок, то что вы будете делать? Это просто, верно! .. Вы узнаете стоимость одного яблока, а затем умножите ее на 18, чтобы получить стоимость 18 яблок. Это то, что делает машинное обучение: оно выявляет проблему и находит соответствующую математическую функцию для этой проблемы, и как только это будет сделано, наша модель готова дать все ответы, точно так же, как когда мы знаем стоимость одного яблока, мы можем сказать стоимость столько яблок, сколько мы хотим. Этот тип явления в машинном обучении называется контролируемым обучением, о котором мы поговорим позже в этих разделах.

В основном существует три типа машинного обучения:

* Обучение с учителем
* Обучение без учителя
* Обучение с подкреплением

Обучение с учителем: -

Контролируемое обучение - это когда машине предоставляются какие-то помеченные предыдущие или прошлые данные. Здесь маркированные данные означают данные, в которых мы можем легко идентифицировать ввод и вывод,

Как сказано выше, мы можем использовать этот тип данных в контролируемом обучении.

Обучение с учителем снова можно разделить на две категории:

1. классификация
2. регрессия

1. Классификация: -

Классификация - это когда выходные данные помечены, и нам нужно классифицировать некоторые элементы,

1. Регрессия: -

Регрессия - это когда выходные данные не помечены, это могут быть любые значения с плавающей запятой. это будет ясно из приведенного ниже изображения обоих типов наборов данных.

Обучение без учителя: -

Это та часть машинного обучения, в которой мы предоставляем вход для машины, а выход для машины не предоставляется. Данные, предоставленные в этом типе обучения, не ни помечены, ни классифицированы. Вот некоторые примеры данных этого типа: - Несколько фотографий собак и кошек !. В этом типе обучения машина создает кластеры из похожих данных или пытается выяснить некоторую связь между выходами.

В основном существует два типа обучения без учителя:

1.Кластеризация
2.Ассоциация

1. Кластеризация: -

в этом методе процесс обучения создает кластеры из похожих данных и, следовательно, использует данные для предсказания некоторых полезных выводов. Например, давайте возьмем пример набора данных о долготе и широте всех ресторанов в городе, и его графическое представление дается

Теперь нам нужно получить несколько точек доступа, где мы получим максимальное количество ресторанов. В этом типе задач мы используем метод кластеризации. Здесь мы формируем группу или кластер ресторанов с общим местом жительства и даем горячие точки.

2. Ассоциация: -

В этом типе процесса машинного обучения мы пытаемся найти связь между входными данными и, следовательно, использовать их для требований.

Например: - Система максимальной рекомендации использует метод ассоциации в своих процессах.

Давайте возьмем пример YouTube, здесь, когда мы воспроизводим видео, мы получаем несколько рекомендуемых видео… как YouTube это делает?… Ответ очень прост. Они используют Ассоциацию… как?… Все, что они делают, это извлекают данные из всех своих видео и находят видео, похожее на ваше видео, с явно другими фильтрами, и дают вам наиболее релевантные результаты…

Обучение с подкреплением: -

Это немного отличается от двух вышеуказанных типов алгоритмов машинного обучения. В этом типе машинного обучения не используется набор данных, скорее машине предоставляется ввод, и на основе его вывода дается отрицательная или положительная обратная связь.

Давайте возьмем пример, чтобы понять этот процесс, пусть будет лабиринт, и в лабиринте останется робот, который может двигаться во всех направлениях. теперь робот может двигаться во всех направлениях. Теперь, если робот касается неправильного блока или стены, мы даем роботу отрицательную обратную связь, и если робот движется в правильном направлении, мы даем положительную обратную связь, таким образом, наш робот изучает фактический маршрут до конца, и этот тип обучения известное как обучение с подкреплением.

Обучение с подкреплением бывает двух типов:

1. Положительное подкрепление
2. Отрицательное подкрепление

1. Положительное подкрепление: -

Это когда мы даем обратную связь за правильный ответ или даем положительный отзыв нашей системе. следовательно, это увеличивает встреченное событие.

2. Отрицательное армирование: -

Это когда мы даем обратную связь за неправильный ответ или даем отрицательный отзыв нашей системе. следовательно, это уменьшает встреченное событие.

Последние мировые приложения машинного обучения: -

1. Системы рекомендаций: -

В повседневной жизни мы используем различные системы рекомендаций. Вот некоторые из примеров современной системы рекомендаций: -
i) Рекомендации по видео на YouTube.
ii) Система рекомендаций Savan Music
iii) Система рекомендаций друзей в Facebook.
iv)… ..

2. Распознавание изображений: -

Существует приложение для Android, известное как google lense, которое использует распознавание изображений и помогает нам найти то, что присутствует на этом изображении, а также помогает нам находить похожие изображения.

3. Распознавание речи: -

Различные голосовые помощники, такие как Google, Siri, Alexa и т. Д., Присутствующие в нашем мобильном ноутбуке или различных электроприборах, используют машинное обучение для распознавания человеческого голоса.

4.Прогноз погоды: -

В настоящее время многие прогнозы погоды выполняются с использованием прошлых данных в алгоритмах машинного обучения.

5.Текстовая классификация: -

В наших электронных письмах есть несколько разделов, содержащих несколько типов писем, и этот тип классификации выполняется с использованием алгоритмов машинного обучения.

ВЫВОД

В двух словах можно сказать, что машинное обучение играет важную роль в области искусственного интеллекта. И хотя машинное обучение имеет некоторые пугающие последствия, эти приложения машинного обучения используются для достижения наилучшего результата. В конце концов, мы можем записать типы машинного обучения как:

1. Обучение с учителем - тренируйте меня!
2. Обучение без учителя - я самодостаточен в обучении.
3. Обучение с подкреплением - Моя жизнь Мои правила! (Hit & Trial)