ПОДХОДЫ МАШИННОГО ОБУЧЕНИЯ:
Машинное обучение:
Машинное обучение — это изучение компьютерных алгоритмов, которые используют данные и предоставляют анализируемые результаты. Алгоритмы машинного обучения будут строить модель данных, которая использует набор данных, называемый обученными данными.
Эти наборы данных были обучены на основе нужных нам алгоритмов. Машинное обучение используется во многих областях, таких как медицина, аэрокосмические технологии, правительственные работы, фильтрация электронной почты, распознавание речи и т. д.
Подходы к машинному обучению подразделяются на различные типы, такие как
- контролируемое обучение
- Неконтролируемое обучение
- Полуконтролируемое обучение
- Обучение с подкреплением
В этом блоге мы увидим обучение с учителем и обучение без учителя.
Контролируемое обучение:
Обучение с учителем можно легко определить, используя размеченные данные. Этот подход используется для построения математической модели, которая принимает входные данные и дает прогнозируемый результат. Этот подход обычно используется для построения модели для прогнозов и классификаций. Модель может измерять точность и учиться с течением времени.
Регрессия. Эти типы алгоритмов используются для понимания связи между зависимыми и независимыми переменными. Он чрезвычайно полезен для прогнозирования числовых значений, таких как прогноз погоды, прогноз доходов от продаж, прогнозирование случаев заражения коронавирусом и т. д. Различные популярные алгоритмы регрессии: линейная регрессия, логистическая регрессия, полиномиальная регрессия.
КлассификацияЭти типы алгоритмов используются для точного распределения тестовых данных по определенным категориям. В реальном мире спам-письма разделяются и сохраняются в папке для спама. Линейные классификаторы, деревья решений, машины опорных векторов являются популярными алгоритмами классификации.
Обучение без учителя:
Неконтролируемое обучение принимает входные данные и обнаруживает структуру точек данных, таких как группировка или кластеризация. Неконтролируемое обучение использует немаркированные наборы данных. Таким образом, он узнает результат без вмешательства человека.
Модели обучения без учителя используются по двум основным причинам.
Кластеризация. Это метод интеллектуального анализа данных для группировки неразмеченных наборов данных на основе их общих черт и различий. Розничная компания использует кластеризацию для идентификации группы домохозяйств. K-средние, смешанные модели Гаусса являются популярными алгоритмами кластеризации.
Ассоциация. Он использует различные принципы, чтобы найти взаимосвязь между одним элементом и другим в наборе данных. Типичным примером является анализ рынка. Априори, FP-рост — популярные алгоритмы ассоциации.
Спасибо за прочтение. Чтобы получить больше опыта, посетите наши сообщения.
