Машинное обучение – это область изучения компьютеров и алгоритмов, которая автоматически повышает свою производительность благодаря опыту. Это ветвь искусственного интеллекта, основанная на идее, что компьютеры могут учиться на информации, которую они обрабатывают с помощью массивных наборов данных, и выявлять закономерности для принятия решений с минимальным вмешательством человека.
Алгоритмы машинного обучения используются в различных реальных приложениях и проектах, поскольку разработка обычного алгоритма для эффективного выполнения задач машинного обучения в определенных ситуациях может оказаться сложной.
В Машинном обучении мы позволяем машинам учиться на примерах и опыте, передавая данные в общий алгоритм. движок строит логику на основе заданных данных.
Машинное обучение позволяет компьютерам или машинам принимать решения на основе данных для выполнения конкретной задачи, предназначенной для обучения и совершенствования с течением времени при воздействии новых данных.
Итак, в этом сообщении блога мы поговорим о трех типах алгоритмов машинного обучения. Машинное обучение подразделяется на три типа:
Обучение с учителем — нам нужно обучить машину!
Обучение без учителя — машина самодостаточна в обучении
Обучение с подкреплением. У машины свои правила! (пробная версия)
PS. Существует множество замечательных ресурсов для изучения машинного обучения и обработки данных. Мой личный фаворит — DataCamp. Здесь я начал свое путешествие, и поверьте мне, это потрясающе и стоит вашего времени. Так что в этой статье будут некоторые из моих любимых курсов после каждой темы, которые мне очень помогли.
Поэтому сейчас самое подходящее время, чтобы получить несколько годовых подписок (которые у меня есть), которые в основном дают неограниченный доступ ко всем курсам и другим материаламDataCampи плодотворно используйте время, проведенное дома во время этой пандемии. Так что дерзайте, ребята, и счастливого обучения, максимально используйте время карантина и выходите из этой пандемии сильнее и опытнее.
КУРСЫ, СВЯЗАННЫЕ С ОД:
Ученый по машинному обучению с R
Ученый по машинному обучению с Python
Вышеуказанные 2 – мои любимые курсы для углубленного изучения и понимания машинного обучения. В настоящее время я зачислен на первый курс, и он просто отличный и очень полезный.
Инструменты машинного обучения в R
Предварительная обработка для машинного обучения в Python
Введение в машинное обучение в R
Основы машинного обучения в R — один из лучших курсов по машинному обучению с впечатляющими курсами.
ML in Python — это еще один курс, в котором есть множество замечательных занятий.
Подготовка к собеседованиям по машинному обучению в R и Python
Таким образом, вы можете либо выбрать отдельные курсы, либо выбрать курсы отслеживания с набором методов внутри них. Я предпочитаю трековые курсы, потому что в них есть все необходимые системы. Поэтому я настаиваю на том, чтобы читатели не поленились и проверили их.
Контролируемое обучение
Обучение с учителем используетпомеченныеобучающие данные для изучения функции сопоставления, которая превращает входные переменные в выходные переменные. путемсоздания функции, которая сопоставляет входные данные с желаемыми выходными данными. Выходная переменная — это целевая переменная ( или зависимая переменная), которая прогнозируется на основе заданного набора предикторов ( независимых переменных), входных переменных.
Обучение с учителем можно разделить на три категории: классификация, регрессия и объединение.
1. Классификация
- Классификация — это задача принятия функции сопоставления от входных переменных к дискретным выходным переменным. Выходные переменные часто называемые ярлыками или категориями.
- Модель классификации используется для прогнозирования таких ярлыков, как "больной" или "здоровый".
- Алгоритм классификации – этоалгоритм, способный обучить модель прогнозирования классификации.
- Примерами являются логистическая регрессия, случайный лес, метод опорных векторов (SVM) и K-ближайших соседей.
2. Регрессия
- Регрессия – это задача, заключающаяся в предположении, что функция сопоставления входных переменных переходит в непрерывную выходную переменную.
- В регрессиивыходная переменная представлена в виде абсолютных значений.
- Алгоритм регрессии — это алгоритм, способный обучаться прогнозирующей регрессионной модели.
- Примерами являются линейная регрессия, регрессия опорных векторов (SVR) и деревья регрессии.
3. Сборка
- Это еще один тип обучения с учителем. Мы объединяем прогнозы нескольких моделей машинного обучения, которые по отдельности слабы, чтобы получить более точный прогноз на новом образце.
- Но в основе ансамблирования лежит логика; выможете случайным образом комбинировать две модели и ожидать повышенной неточности. За этим стоит математика и несколько используемых методов (простой взвешенный метод, метод бэггинга, процесс повышения).
- Примеры: пакетирование с помощью случайных лесов, повышение с помощью XGBoost.
НЕСКОЛЬКО УДИВИТЕЛЬНЫХ КУРСОВ ОБУЧЕНИЯ:
Неконтролируемое обучение
Обучение без учителя используется, когда мы знаем только входные переменные и не знаем соответствующих выходных переменных. Метод неконтролируемого обучения использует немаркированные обучающие данные для моделирования базовой структуры данных, для которых модель обучается посредством наблюдения и находит формы в данных.
Предположим, что модели задан набор данных; неконтролируемое обучение автоматически находит закономерности и взаимосвязи в наборе данных, графически создавая точки кластера в наборе данных.
Неконтролируемое обучение также можно разделить на три категории: ассоциация, кластеризация и уменьшение размерности.
1. Ассоциация
- Ассоциация – это основанный на правилах метод машинного обучения для обнаружения базовых отношений между переменными в больших фрагментах баз данных. предназначен для выявления строгих правил, расположенных в базах данных, с использованием некоторых мер интереса в данных.
- Модель ассоциации можно использовать для определения вероятности совпадения элементов в коллекции. Если клиент покупает мясо, с вероятностью 80 % он также купит и яйца.
2. Кластеризация
- Кластеризация — это процесс группировки схожих точек данных для группировки выборок. Объекты в пределах одного кластера идентичны друг другу, чем вещам из другой точки кластера.
- Этот метод неконтролируемого машинного обучения направлен на поиск сходства в точке данных и группировку похожих точек данных.
- Примерами являются кластеризация K-средних, кластеризация среднего сдвига
3. Уменьшение размерности
- Уменьшение размерностиуменьшает количество рассматриваемых случайных переменных путем получения основных переменных с использованием методов извлечения признаков и методов выбора признаков.
- Примерами являютсяPосновной компонентный анализ (PCA), линейный дискриминантный анализ (LDA), обобщенный дискриминантный анализ (GDA).
НЕКОТОРЫЕ ИЗ ЛУЧШИХ КУРСОВ ПО САМОУПРАВЛЯЕМОМУ ОБУЧЕНИЮ
Вышеуказанные курсы обучают методам кластеризации, PCA, исследовательскому факторному анализу и другим известным методам, используемым в неконтролируемом обучении. Поэтому обязательно попробуйте их.
Обучение с подкреплением
Обучение с подкреплением – это алгоритм машинного обучения, который позволяет агенту выбирать наилучшее последующее действие на основе его текущего состояния. путем обучения поведению.
При обучении с подкреплением агент вознаграждается за правильный ответ или наказывается за неправильный ответ. На основе полученных положительных баллов модель обучается, чтобы подготовиться к прогнозированию новых данных, представленных ей. Его цель агента в обучении с подкреплением состоит в том, чтобы максимизировать общее количество баллов вознаграждения.
Алгоритмы подкрепления обычно узнают о своих действиях с помощью метода проб и ошибок.
Примерами являютсяпромышленная автоматизация в робототехнике, машинное обучение, компьютерное зрение и задачи обработки данных.
ДРУГИЕ ЗАМЕЧАТЕЛЬНЫЕ КУРСЫ, СВЯЗАННЫЕ С МАШИННЫМ ОБУЧЕНИЕМ
Недавно я начал несколько потрясающих курсов по финансовой аналитике в R.
Кроме того, если вам не хватает идей для проектов, чтобы развить некоторые навыки и применить свои навыки, у DataCamp есть замечательные проекты. Я лично просто люблю делать это и мой любимый. Они такие забавные.