Молодой ум привлечет эти два слова такими, какие они есть. Новичок может думать о машине в этом контексте как о механическом, электрическом или электронном оборудовании, выполняющем определенную задачу. Приняв эту точку зрения, люди могут попытаться понять машинное обучение с точки зрения чисто физико-механического механизма, чего недостаточно для полного понимания концепции.

Соединяя оба термина вместе, это означает, что компьютер — это машина, которую учат становиться опытной и знающей, следовательно, способной делать что-то самостоятельно (без написания кодов, чтобы напрямую реагировать на текущие переменные или входные данные).

В более техническом смысле Машинное обучение (ML) — это область, которую можно легко связать с искусственным интеллектом, предназначенным для понимания и создания методов, которые могут учиться на основе предыдущих данных для выполнить некоторый набор будущих задач. Обычно он фокусируется на разработке алгоритмов на основе предыдущих данных, собранных в таких областях жизни, как образование, медицина, безопасность, сельское хозяйство, биология и т. д.

Эти огромные данные собираются из прошлых действий и применяются в машинном обучении для создания моделей, которые могут выполнять действия (задачи), такие как группировка символов или функций вместе (обычно называемая кластеризацией), делать прогнозы на будущее или искать пути для принятия наиболее эффективного решения среди множество возможных решений (оптимизация). Все это делает компьютер, не будучи запрограммирован на это напрямую, а используя прошлые данные (набор данных).

В более практическом применении задачи алгоритмов машинного обучения могут быть применены к фильтрации электронной почты (в маркетинге), распознаванию речи (например, для личных помощников), прогнозированию цен на товары (в коммерческих продажах) и т. д.

Типы машинного обучения

Как уже говорилось, использование машинного обучения основано на 3 основных алгоритмах, которые рассматриваются как 3 типа. К ним относятся обучение с учителем, обучение без учителя и обучение с подкреплением.

  1. Машинное обучение под наблюдением — это модели, которые работают с проблемами, когда известны как входные данные, так и желаемые выходные данные. Поясню, что это значит. Входные данные похожи на условие, которое должно произойти в проблемной области, а выходные данные — это то, что мы хотим узнать из условий. Например, входные данные в приложении для прогнозирования дождя могут быть месяцем года, датой, количеством предыдущих осадков, местоположением, текущей температурой и т. д., а выходными данными может быть дождь или нет (дождь/нет дождя) . В этой задаче мы знаем входные данные, и хотя мы не знаем, будет ли дождь или нет, мы ничего не знаем о нашей области результатов (дождь или нет), кроме этого. Поскольку у компьютера есть предыдущие данные о том, как это происходило в прошлом, он может отслеживать прошлые входные и выходные данные (т. е. был ли дождь или нет) и научиться говорить о том, что, вероятно, произойдет сегодня. Алгоритмы контролируемого обучения по-прежнему делятся на типы в зависимости от того, как они фактически реализованы. Это можно сделать в виде древовидной структуры, называемой классификацией, или математическим подходом регрессии. Когда ожидаемый результат не включает в себя много возможных значений, например, приложение прогнозирования дождя, где есть два возможных вывода: дождь или отсутствие дождя, подход классификации может быть более эффективным. Принимая во внимание, что регрессия лучше всего используется, когда выходные данные разбросаны или имеют много или непрерывных выходных данных, таких как непрерывные значения, такие как прогнозирование цены.
  2. Обучение без учителя Это нормально, если вы думаете, что обучение без учителя — это противоположность обучения с учителем. Хотя это и не ясно, но обучение без учителя имеет входные данные, но у нас нет ожидания, например, будет ли дождь или нет. Мы используем входные данные только для поиска информации, которая может быть скрыта в данных. Это может включать группировку данных в соответствии с их сходством, что называется кластеризацией. Это означает, что алгоритмы неконтролируемого обучения эффективны при выявлении сходства и поведения в наборе данных и выдают результаты на основе своего опыта работы с данными. Примером контролируемого обучения является кластеризация/группирование студентов из академического набора данных, чтобы увидеть тех, кто предпочитает расчетные курсы, и тех, кто предпочитает теорию или практические курсы.
  3. Обучение с подкреплением выходит за рамки объяснения предыдущих двух алгоритмов. он фокусируется на машинном обучении в проблемной области, где проблема заключается в том, как наиболее подходящие действия необходимо предпринять в среде, чтобы максимизировать выгоды и минимизировать некоторые расходы / затраты. Он более широк и, следовательно, сложен и используется в разных областях деятельности. Обучение с подкреплением довольно часто используется при разработке игр, создании систем расписаний, исследовании операций и т. Д. Алгоритмы обучения с подкреплением используются иногда, когда точный подход не работает. Следовательно, он не предполагает знания точной математической модели процесса разработки.

Мы рассмотрели, что такое машинное обучение. Хотя мы видели три типа, типов много, но мы сосредоточились на основных трех, чтобы дать вам более четкое представление о всей концепции.

В заключение можно сказать, что машинное обучение является быстрорастущей областью науки, поскольку задачи, связанные с компьютерами, постоянно усложняются, а в различных сферах жизни собирается огромное количество данных. Там, где когда-либо есть огромный массив данных, существует огромная возможность использования этих данных в машинном обучении.

Если у вас есть какие-либо вопросы, не стесняйтесь комментировать ниже, и если вам понравилась поддержка контента, поделитесь и подпишитесь!