Введение в машинное обучение

ГЛАВА МАШИННОГО ОБУЧЕНИЯ

Введение в машинное обучение

Машинное обучение для начинающих и как начать изучать машинное обучение с нуля

Машинное обучение - одно из наиболее часто произносимых словосочетаний в наши дни. Развитие науки и технологий каждую миллисекунду создает огромное количество данных по всему миру из различных источников, таких как мобильные телефоны, компьютеры, спутники, устройства GPS и т. Д. Поскольку данные поступают в огромном объеме в секунду, компьютерные ученые и математики хотели чтобы выяснить что-то полезное, например, идеи, закономерности, эвристику и т. д., из огромного количества данных. Это видение помогло придумать и внедрить машинное обучение, искусственный интеллект и науку о данных. Все три играют решающую и важную роль в сегодняшних мировых функциях. Сегодня мы узнаем об основах машинного обучения. Эта статья поможет вам понять и разъяснить основы машинного обучения и его ответвлений.

Машинное обучение

Идея машинного обучения пришла из методологии человеческого мышления. Будучи одаренным богом чутьем, все мы, люди, можем думать о своем прошлом опыте и принимать решения на его основе. Например, если мы обнаружили ограничение скорости на одной дороге, мы не нарушаем его, основываясь на нашем предыдущем опыте (при обычном сценарии). Но у машин нет такой возможности. Машины следуют инструкциям людей. Когда мы пытаемся заменить людей машинами, чтобы выполнять работы с меньшими затратами времени, большей точностью, муравьями и т. Д., Вышеупомянутое свойство людей является единственным препятствием для машин. Поэтому компьютерные ученые пытались преодолеть этот барьер различными методами. Здесь родилась концепция машинного обучения. Таким образом, машинное обучение означает предоставление машинам возможности обучения и способности принимать решения на основе обучения.

Ниже приводится одно из формальных определений.

«Машинное обучение - это наука о том, как заставить компьютеры работать без явного программирования». - Стэнфорд

Давайте попробуем разобраться в этом подробнее, используя приведенную ниже диаграмму.

Основная цель алгоритма машинного обучения - найти функцию, которая сопоставляет входное пространство с выходным пространством. Итак, нам нужны как ввод, так и вывод для построения и обучения модели. Дополнительные данные обучения дадут нам более точную модель. После того, как модель построена, мы можем получить выходные данные для невидимых входных данных, поместив входные данные в эту вычисляемую функцию. Это ясно объясняется на схеме. На приведенной ниже диаграмме показана разница между традиционным программированием и машинным обучением.

К тому времени я был уверен, что вы понимаете вопрос о том, что такое машинное обучение ?.

Давайте посмотрим на разные типы машинного обучения.

Машинное обучение в основном делится на три основных типа.

Контролируемое обучение
Неконтролируемое обучение
Обучение с подкреплением

Обучение с учителем

Давайте сначала быстро разберемся с обучением с учителем. Контролируемое обучение определяется использованием помеченных наборов данных для обучения алгоритмов. Модели могут правильно классифицировать данные или предсказывать результаты. например, если модель создана для идентификации яблока, мы обучаем модель, используя изображения яблока с именной этикеткой. Поэтому, когда мы даем фото яблока модели после ее обучения, модель будет правильно предсказывать его как яблоко. Это обучение с учителем. По мере того, как входные данные вводятся в модель, она корректирует свои веса до тех пор, пока модель не будет подогнана должным образом.

Проблемы контролируемого обучения можно разделить на две основные категории.

Классификация: он использует алгоритм для точного распределения тестовых данных по определенному количеству категорий. Он распознает определенные объекты в наборе данных и пытается сделать некоторые выводы о том, как эти объекты должны быть помечены или определены. Несколько алгоритмов классификации: линейные классификаторы, деревья решений, k-ближайший сосед, случайный лес и т. Д.
Регрессия: используется для понимания взаимосвязи между зависимыми и независимыми переменными, такими как y = ax1 + bx2 + cx. Он обычно используется для составления прогнозов или значений, таких как выручка от продаж для данного предприятия, цена здания на основе количества комнат в нем и т. Д. Популярными алгоритмами регрессии являются линейная регрессия, логистическая регрессия и полиномиальная регрессия.

Алгоритмы контролируемого обучения используются в распознавании изображений и объектов, таких как обнаружение изображения профиля Facebook, обнаружение спама в электронной почте, прогнозная аналитика и т. Д.

Обучение без учителя

В неконтролируемом обучении используются алгоритмы машинного обучения для анализа и изучения закономерностей на основе немаркированных данных. Эти алгоритмы способны обнаруживать скрытые закономерности или группировки без вмешательства человека. Способность обнаруживать сходства и различия в немаркированной информации делает ее одним из основных алгоритмических типов машинного обучения.

Кластеризация - один из основных вариантов использования подхода машинного обучения без учителя. Кластеризация означает группировку немаркированных данных на основе их сходства или различий. Алгоритмы кластеризации обычно используются для обработки необработанных объектов данных в группы, представленные структурами или шаблонами в информации. Доступны несколько типов алгоритмов кластеризации, такие как исключающие, перекрывающиеся, иерархические, вероятностные и т. Д.

Обучение без учителя обеспечивает исследовательский путь для просмотра данных, позволяя предприятиям выявлять закономерности в больших объемах данных быстрее, чем при ручном наблюдении. Методы обучения без учителя используются в системах рекомендаций, обнаружении аномалий, медицинской визуализации, компьютерном зрении и т. Д. На изображении ниже показана разница между обучением с учителем и обучением без учителя.

Обучение с подкреплением

Это один из типов машинного обучения, при котором агент учится в среде, в которой он находится, с помощью сигналов вознаграждения. Это обучение, основанное на вознаграждении. Другими словами, он работает по принципу обратной связи. например, предположим, что мы построили модель для идентификации яблок. Когда мы передаем модели изображение яблока, она предсказывает, что это не яблоко. Затем мы даем отрицательный отзыв о модели. Модель узнает из отрицательных отзывов, что изображение - яблоко. Это обучение будет использовано для идентификации яблок в другое время. Это называется обучением с подкреплением.

Существует три типа алгоритмов обучения с подкреплением: основанные на ценностях, основанные на политике и основанные на моделях. Есть несколько важных характеристик обучения с подкреплением. Они перечислены ниже.

Нет супервайзера, только реальный номер или сигнал вознаграждения
Последовательное принятие решений
Действия агентов определяют его обратную связь и последующие данные, которые он получает.
Время играет решающую роль в проблемах с подкреплением.
Обратная связь всегда задерживается, а не мгновенно

Не рекомендуется использовать обучение с подкреплением, когда у нас достаточно данных, чтобы решить проблему с помощью других методов обучения. Поскольку обучение с подкреплением требует больших затрат времени и вычислений, его нежелательно использовать, особенно когда пространство действий слишком велико.

Обучение с подкреплением используется во многих приложениях, таких как робототехника для промышленной автоматизации, управление самолетами и управление движением роботов, обработка данных, планирование бизнес-стратегии и т. Д.

Думаю, вы поняли обсуждаемую сегодня тему. Если у вас есть какие-либо вопросы или пояснения, не стесняйтесь обращаться ко мне через раздел для ответов. Спасибо, что потратили свое драгоценное время на чтение этого блога, и я верю, что это поможет и вдохновит вас узнать о машинном обучении и использовать его.

Если этот пост был полезен, нажмите несколько раз кнопку хлопка 👏 ниже, чтобы выразить поддержку автору 👇

Введение в машинное обучение

ГЛАВА МАШИННОГО ОБУЧЕНИЯ