Итак, давайте двигаться вперед с тем, что такое машинное обучение! просто мы можем сказать, что машинное обучение заключается в том, чтобы делать прогнозы, основанные, например, на прошлом опыте:

Карта Google.Используя данные о местоположении со смартфонов, Карты Google могут в любое время проверять скорость изменения трафика. Получая доступ к соответствующим данным и соответствующим алгоритмам подачи, Карты Google могут сократить время в пути, указав самый быстрый маршрут.

Фильтры спама.Некоторые фильтры на основе правил не обслуживаются активно во входящих сообщениях электронной почты, например, когда приходит сообщение со словами «интернет-консультация», «интернет-аптека» или от « неизвестный адрес».

Классификация электронной почты. Gmail классифицирует электронные письма по группам «Основные», «Рекламные акции», «Социальные сети» и «Обновления» и помечает сообщения как важные.

Типы обучения:-

1: контролируемое обучение

В обучении с учителем нам дается набор данных, и мы уже знаем, как должен выглядеть наш правильный вывод, имея представление о том, что между вводом и выводом существует связь.

Проблемы обучения делятся на проблемы «регрессии» и «классификации». В задаче регрессии мы пытаемся предсказать результаты в рамках непрерывного вывода, что означает, что мы пытаемся сопоставить входные переменные с некоторой непрерывной функцией. Вместо этого в задаче классификации мы пытаемся предсказать результаты в виде дискретного вывода. Другими словами, мы пытаемся сопоставить входные переменные с дискретными категориями.

Пример 1:

Учитывая данные о размерах домов на рынке недвижимости, попробуйте спрогнозировать их цену. Цена как функция размера — это непрерывный результат, так что это проблема регрессии.

Мы могли бы превратить этот пример в проблему классификации, вместо этого сделав вывод о том, «продается ли дом дороже или дешевле запрашиваемой цены». Здесь мы классифицируем дома по цене на две отдельные категории.

Пример 2:

(а) Регрессия. Имея изображение человека, мы должны предсказать его возраст на основе данного изображения.

(b) Классификация. Учитывая пациента с опухолью, мы должны предсказать, является ли опухоль злокачественной или доброкачественной.

2 : Обучение без учителя

Неконтролируемое обучение позволяет нам подходить к проблемам практически без представления о том, как должны выглядеть наши результаты. Мы можем получить структуру из данных, где мы не обязательно знаем влияние переменных.

Мы можем получить эту структуру, сгруппировав данные на основе взаимосвязей между переменными в данных.

При неконтролируемом обучении нет обратной связи, основанной на результатах прогнозирования.

Пример:

Кластеризация: возьмите коллекцию из 1 000 000 различных генов и найдите способ автоматически сгруппировать эти гены в группы, которые чем-то похожи или связаны разными переменными, такими как продолжительность жизни, местоположение, роли и так далее.