Люди из других областей, кроме ИИ, продолжают спрашивать меня, как вы позволяете своей модели ИИ распознавать только те вещи, которые вы показали ей на обучении? Как это делается на самом деле?

Так что я подумал, почему бы не написать небольшую статью об этом🤷🏻‍♂️… и вот я😎…!

Тщательная подготовка любой модели глубокого обучения является основной частью каждого конвейера искусственного интеллекта. Для подготовки моделей искусственного интеллекта у нас есть два важных метода, которые используются чаще всего: обучение с учителем и обучение без учителя. У этих двух также есть несколько подкатегорий, таких как регрессия и кластеризация, но не волнуйтесь, мы обсудим и это.

👨🏻‍🏫 Контролируемое обучение

Обучение с учителем — это подход ИИ, который характеризуется использованием именованных наборов данных. Эти наборы данных предназначены для подготовки или «регулировки» расчетов для упорядочивания информации или точного прогнозирования результатов. Используя отмеченные источники информации и результаты, модель может оценить свою точность и учиться в долгосрочной перспективе.

При интеллектуальном анализе информации контролируемое обучение можно разделить на два типа задач: классификацию и регрессию.

Проблемы с классификацией 🧩

В задачах характеристики используются расчеты для точного распределения тестовой информации по явным классификациям, например, при отделении яблок от апельсинов. Или, опять же, на самом деле контролируемые обучающие расчеты можно использовать для размещения спама в другом органайзере, отличном от вашего почтового ящика. Прямые классификаторы, машины опорных векторов, деревья выбора и произвольный лесной массив обычно являются обычными видами расчетов расположения.

Регресс🪜

Регрессия — это еще один метод обучения с учителем, который использует расчет для установления связи между зависимыми и автономными факторами. Регрессионные модели полезны для прогнозирования математических качеств с учетом различных информативных элементов, таких как прогнозы доходов от сделок для данного бизнеса. Некоторыми хорошо известными расчетами рецидива являются прямой рецидив, стратегический рецидив и полиномиальный рецидив.

💫Обучение без учителя

Чтобы деконструировать и классифицировать немаркированные информационные индексы, в обучении без учителя используются вычисления ИИ. Эти вычисления выявляют скрытые примеры в данных без необходимости вмешательства человека (далее они «без посторонней помощи»).

Для трех основных задач используются модели обучения без учителя: кластеризация, ассоциация и уменьшение размерности.

Кластеризация🎳

Кластеризация — это метод интеллектуального анализа данных для агрегирования неразмеченных данных на основе сходств или различий. Например, кластерные вычисления Kmean распределяют сопоставимые информационные элементы в наборы, при этом значение K указывает на размер и степень детализации набора. Этот метод выгоден для сегментации рынка, имиджевого давления и так далее.

Ассоциация🧬

Ассоциация — это еще один тип подхода к обучению без учителя, в котором используются различные критерии для обнаружения взаимосвязей между переменными в наборе данных. Как следует из идеи «Клиенты, которые купили эту вещь, также купили», эта тактика часто используется для оценки рыночных корзин и моторов предложения.

Уменьшение размерности🪚

Когда количество компонентов (или аспектов) в наборе данных чрезвычайно велико, в качестве стратегии обучения используется уменьшение размерности. Это уменьшает количество информационных вкладов до управляемого уровня, сохраняя при этом целостность данных. Этот подход часто используется на этапе предварительной обработки информации, например, когда автоэнкодеры удаляют помехи из визуальных данных для улучшения качества изображения.

YyyYoOoOoo Вот оно. Спасибо💖