Машинное обучение. Как следует из названия, позволить машине обучаться. Звучит интересно, да? Да действительно. Разве не иронично, что люди изобрели машины, чтобы работать за пределами человеческих возможностей, но теперь, в конце концов, мы пытаемся сделать машины похожими на людей?
Машинное обучение — благо или зло?
Многие предполагают, что он сокращает рабочую силу и увеличивает безработицу, и, наоборот, многие предполагают, что он более эффективен, чем люди. Ну, это бесконечный спор, поэтому давайте просто углубимся в некоторые технические аспекты машинного обучения.
Машинное обучение — это процесс, в ходе которого наши компьютеры изучают и усваивают данные, а затем пытаются сделать какие-то прогнозы или аналитику, используя их. Как упоминалось выше, «ДАННЫЕ» — это самый важный параметр для обучения компьютера. Данные — это просто необработанные факты, тогда как информация — это обработанная форма данных. Так откуда берутся эти данные? Данные могут быть собраны с помощью различных средств, они могут быть взяты с различных платформ с открытым исходным кодом, если они предназначены для целей проекта, и в большинстве случаев клиент предоставляет, если это на корпоративном уровне.
Кто такие специалисты по данным?
Именно они собирают данные, преобразуют их в информацию и отправляют инженеру по машинному обучению.
Как заставить машину учиться?
Прежде чем погрузиться в это, прежде всего, нам нужно понять некоторые важные термины:
1) Свойства: это измеримое свойство или характеристика явления. Это независимые переменные в модели машинного обучения.
2) Цель. Целевая переменная набора данных — это функция набора данных, о которой вы хотите получить более глубокое представление.
Обычно у машины есть 3 способа обучения.
1) Обучение с учителем. В обучении с учителем модель предоставляется как с функциями, так и с целями. Модель получила всю информацию, и она учится на ней, после того как модель обучена, мы можем использовать ее идеи, чтобы сделать прогноз.
2) Обучение без учителя. При обучении без учителя модель снабжена функциями, и модель отвечает за выявление любых кластеров, тенденций и групп. Это похоже на супермаркет, где различные товары сгруппированы и расставлены.
3) Обучение с подкреплением: это тип обучения, который очень похож на человеческий, люди учатся на своих ошибках и соответствующим образом адаптируются, аналогичным образом модели подкрепления применяют метод проб и ошибок и учатся на этом. В общем, агент обучения с подкреплением может воспринимать и интерпретировать свою среду, предпринимать действия и учиться через нее.
Выбор правильной модели обучения полностью зависит от приложения, для которого создается модель. Например, если мы хотим создать модель прогнозирования цен на автомобили, мы используем контролируемый подход, при котором наша модель может прогнозировать цены на автомобили в ближайшем будущем на основе прошлых тенденций.
Для неконтролируемого обучения мы можем взять пример кластеризации паттернов ДНК для анализа эволюционной биологии.
Что касается обучения с подкреплением, мы можем понять, что некоторые из задач автономного вождения, в которых может применяться обучение с подкреплением, включают оптимизацию траектории, планирование движения, динамическое определение пути, оптимизацию контроллера и политики обучения на основе сценариев для автомагистралей.
Рабочий процесс создания простой модели машинного обучения
1) Импортируйте необходимые библиотеки и загрузите данные во фрейм данных.
2) Очистка данных: это включает удаление нулевых значений (если они есть) и удаление повторяющихся и постоянных столбцов.
3) Предварительная обработка данных. Этот шаг в основном включает в себя наблюдение за вашими данными и создание/удаление столбцов, если это необходимо (мы можем объединить два или более столбца в один, если считаем, что это поможет нашей модели).
4) Исследовательский анализ данных. Здесь мы визуализируем наши данные с помощью различных графиков. Например, графики распределения, гистограммы и т. д.
5) Разработка функций. На мой взгляд, это самый важный шаг, поскольку он включает в себя кодирование столбцов категорий и создание новых функций, если это необходимо.
6) Выбор функции. На этом этапе мы выбираем самую важную функцию из всех присутствующих. Теперь, как мы узнаем, что ВАЖНО, а что НЕ ВАЖНО, для этого у нас есть различные методы, такие как методы фильтрации, методы-оболочки, встроенные методы и гибридные методы.
7) Моделирование. На этом этапе, наконец, используются различные методы обучения для обучения модели на основе наиболее важных функций, которые мы выбрали на последнем этапе. Модели обучаются на основе алгоритмов.
Некоторые из известных алгоритмов — деревья решений, SVM, XGBoost и т. д.
8) Тестирование.После обучения модели нам нужно проверить, может ли она служить той цели, для которой она создана. Следовательно, мы предоставляем данные модели и сравниваем фактические результаты с прогнозируемыми.
Поэтому в этой статье мы увидели, что такое машинное обучение, и обнаружили несколько связанных с ним терминов. Машинное обучение — это не что иное, как обширная учебная программа для наших компьютеров, которую необходимо изучить со временем.
«РЕБЕНОК УЧИТСЯ ПОЛЗАТЬ, ХОДИТЬ, А ЗАТЕМ БЕЖАТЬ. Когда дело доходит до применения машинного обучения, мы находимся на стадии сканирования»
