В этой статье мы собираемся узнать о шести элементах машинного обучения, прежде чем вы начнете программировать машину. Каждый просто пытается начать что-то делать, не зная, чего он хочет и что у него в руках. Здесь я собираюсь упростить вещи из того, что я выучил.
Хорошо, давайте начнем. Прежде чем перейти к машинному обучению, вы слышали обо всем жаргоне, связанном с машинным обучением? Давайте посмотрим на облако жаргона.
Вы знаете обо всех этих жаргонах? и когда и как его использовать? тогда вы Эксперт. Для тех, кто плохо знаком с этими вещами, я проведу вас на простом примере (могу ошибаться).
Я надеюсь, что все знают о крикете. Предположим, вы капитан индийской команды по крикету, и вам нужно выбрать 11 игроков (жаргон) из 15 (облако жаргона) для матча против Австралии ( Машинное обучение).
Что делает капитан (вы)?
Прежде чем выбрать 11 игроков, он должен знать сильные и слабые стороны всех 15 игроков, когда их использовать и когда не использовать, и кто лучше всего подходит для достижения своей цели.
Просто представьте на мгновение, что весь жаргон, который вы видите в облаке жаргонов, — это игроки, и вам (капитану) нужно решить, какой жаргон вам нужно использовать, и как правильно организовать его, чтобы знать, какой часть машинного обучения, с которой вы имеете дело и которая вас интересует, или вы предпочитаете сосредоточиться на другом элементе машинного обучения.
Теперь посмотрим, как весь этот жаргон вписывается в эти банки. Давайте попробуем заполнить все банки каждым из шести элементов машинного обучения.
На данный момент все банки пусты, позже в этой статье мы сможем понять смысл каждой банки.
Как вы думаете, какое топливо для ML?
Данные: да, вы правильно догадались, данные — это топливо для машинного обучения. Мы все знаем, что данные повсюду, и мы узнали, что компании могут сделать с нашими данными, верно? Вы слышали о Google и Facebook? Оооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооо
У каждой компании есть много данных. Давайте посмотрим на веб-сайт Amazon для мобильного телефона One Plus 6.
Вы можете видеть, что существует так много данных, которые разбросаны по разным категориям, таким как спецификации, отзывы клиентов и по-разному. У нас есть Facebook на другом конце, который имеет много данных, которые берут информацию о клиентах, и они сообщают вам, где и когда вы были в определенном месте и в определенное время. Я знаю, что это страшно, но как они это делают. Вы будете думать что, о боже, у них так много данных, позвольте мне сказать вам ..
Случалось ли вам сталкиваться с тем, что когда вы искали какой-либо продукт на каком-либо веб-сайте и переключали веб-сайт на amazon, вы бы видели, что ваш искомый продукт отображается amazon в разделе рекомендуемых продуктов. Как они это делают. Вот где машинное обучение вступает в игру. Вы передаете все данные машинному обучению, чтобы оно училось и данные и находило связь между заданными входными и выходными данными. Но данные должны быть в структурированном формате. Давайте посмотрим на тот из формата.
В первом столбце показаны отпечатки пальцев разных людей, x — это структурированный формат сканирования, а y — результат независимо от того, имеет ли он определенные характеристики или нет.
Мы успешно заполнили первую банку огромными данными. В следующей статье мы заполним и другие банки. Следите за обновлениями…
