Вы когда-нибудь задумывались о том, как происходят прогнозы фондового рынка, как простое веб-приложение может пометить изображение как собака или кошка, просто загрузив изображение, или как Spotify автоматически воспроизводит интересующую вас песню?
Слава вам, если вы уже пришли к выводу, что где-то машинное обучение играет роль.
Если эти вопросы оставляют вас в очень запутанной ситуации, не о чем беспокоиться. Читайте до конца, мы надеемся, что вы сможете получить все ответы.
Итак, переходя к вопросу Что такое машинное обучение?
Машинное обучение занимается извлечением шаблонов из данных, а затем использует эти шаблоны, чтобы алгоритмы могли улучшать себя с опытом.
Проще говоря, машинное обучение показывает, что машины обладают той же способностью к обучению, что и люди. Обычно это делается путем анализа / оценки данных и, наконец, принятия мер для получения результатов.
Давайте посмотрим на общую классификацию различных алгоритмов машинного обучения:
Различные категории алгоритмов машинного обучения
Машинное обучение в основном подразделяется на четыре типа в зависимости от объема и типа контроля, который они получают во время обучения модели:
1. Контролируемое обучение: В контролируемом обучении данные, которые мы передаем в алгоритм, по существу содержат «метки» (выходы) вместе с «характеристиками» (входные данные). В основном к этой категории относятся регрессия и классификация (о них будет сказано позже).
Например, ваш средний балл в следующем семестре можно спрогнозировать, наблюдая за успеваемостью за предыдущий семестр по всем предметам и соответствующим им. (Никогда не пробуйте это самостоятельно, это больно (⋟ ﹏ ⋞))
2. Неконтролируемое обучение: при неконтролируемом обучении данные, которые мы передаем алгоритму, не содержат «ярлыки» (выходы). Проще говоря, система учится без учителя.
Например, в колледже мы находим группу друзей на основе соответствия нашему мыслительному процессу, навыкам и области знаний. Итак, все студенты разделились на разные «кластеры» (группы). Подобные прогнозы обычно выполняются с помощью кластеризации.
3. Полу-контролируемое обучение: при полу-контролируемом обучении алгоритм обычно обучается на комбинации помеченных и немаркированных данных. Как правило, эта комбинация будет содержать очень небольшой объем помеченных данных и очень большой объем немаркированных данных.
Например, в классификаторе текстовых документов было бы почти невозможно найти большое количество помеченных текстовых документов. Это просто потому, что человеку нецелесообразно читать весь текстовый документ только для того, чтобы присвоить ему простую классификацию. Таким образом, полу-контролируемое обучение позволяет алгоритму учиться на небольшом количестве помеченных текстовых документов, в то же время классифицируя множество немаркированных текстовых документов в обучающих данных.
4. Обучение с подкреплением:
Обучение с подкреплением - это метод машинного обучения, при котором интеллектуальный «агент» (компьютерная программа) взаимодействует с окружающей средой и учится действовать в ней.
Например, робот пытается научиться шахматам, играя самостоятельно, и в соответствии с полученным результатом (вознаграждением) он пытается оптимизировать его дальше, чтобы максимизировать вознаграждение.
В этом блоге представлен обзор Машинного обучения и широкая классификация его алгоритмов. Подпишитесь на Kharagpur Data Analytics Group, чтобы получить больше знаний о различных алгоритмах машинного обучения.
