Машинное обучение (ML) стало популярным термином среди всех, кто работает в широкой технологической отрасли. Это просто означает обучение или помещение машины в среду, где она может учиться и делать выводы самостоятельно, да, точно так же, как вы и я!
Это поле внутри более крупного Искусственного Интеллекта (ИИ), причем последний представляет собой целый термин, используемый для обозначения того, как машины и компьютеризированные устройства заставляют думать и выполнять «наши» функции. Однажды они могут заменить нас (Правдивая история)
Так как же они на самом деле доходят до того, что почти заменяют нас? Сначала позвольте мне перейти к различным категориям машинного обучения.
- Контролируемое машинное обучение
Эта ветвь просто означает, что машина тратит время на обучение с использованием помеченных данных, прежде чем сможет предсказать, используя собранный интеллект, не так просто, э-э… Это обычно называют прогностическим подходом к машинному обучению. Короче говоря, модель создана, данные загружаются в него, тренируются с использованием определенной части данных, а затем оцениваются в соответствии с его производительностью, отсюда и название «контролируемый».
Примеры алгоритмов
Деревья решений. Как следует из названия, данные классифицируются по деревьям после обучения машинной модели.
Приложения
- В чат-ботах, где модель учится на предыдущих данных и делает прогнозы на их основе.
- В банковских системах модели управления кредитами предсказывают, какому клиенту должен быть предоставлен определенный кредит, на основе предыдущей истории подобных клиентов.
2. Неконтролируемое отмывание денег
Как следует из названия, это ветвь, которая имеет дело с немаркированными данными, и ее часто называют описательным подходом к машинному обучению. Проще говоря, машина использует алгоритмы для осмысления поступающих к ней данных и определяет свои собственные шаблоны. отсюда и слово «неконтролируемый».
пример алгоритма
- Кластеризация K-средних: модель машины обучается описывать данные по-своему, поэтому данные группируются в кластеры после изучения характеристик данных.
Приложения
- Модель Обнаружение аномалий классифицирует данные по схожим характеристикам, поэтому выбросы помечаются как аномалии.
- Кластеризация данных. В ситуациях, когда речь идет о больших данных со случайными символами, например о собаках в приюте, для их группировки используются модели машинного обучения.
3. Обучение с подкреплением
Возможно, многие еще не слышали об этом, но это одно из самых важных с точки зрения технологического развития и развития. Это ветвь ML, в которой модель учится на взаимодействии с окружающей средой. Модели (агент) максимизируют функцию вознаграждения либо после каждый правильный шаг или весь процесс в целом.
В RL проблемы представляются математически с использованием марковского процесса принятия решений (MDV), а уравнение Беллмана используется для решения MDV двумя способами;
а)Метод Монте-Карло
- Этот метод имеет вознаграждение после эпизода, а не после каждого шага.
- Это также способствует использованию данных и поиску новых идей.
б)Метод временной разницы
- в отличие от MCM, награды обновляются после каждого шага и предпочитают использовать непрерывные данные.
Приложения
- В мире робототехники робот (агент) учится у окружающей среды, взаимодействуя с ней, и предпринимает определенные действия в соответствии с вознаграждением за каждый шаг.
- автономные транспортные средства — включены несколько алгоритмов, а также другие области, такие как глубокое обучение, применяемое при планировании движения, динамическом выборе пути, оптимизации контроллера, а также политики, такие как парковка, обгон и превышение скорости.
В целом, хоть я и сделал эту статью максимально простой, ML сложнее и увлекательнее, чем кажется.
Несмотря на то, что за последние несколько лет машинное обучение все чаще применяется, может потребоваться много десятилетий, чтобы приблизиться к человеческому интеллекту. для лучшего будущего.
