Автор Арбаз Шейх
Есть три основные категории машинного обучения; Контролируемое, неконтролируемое и обучение с подкреплением
Контролируемое машинное обучение
Как следует из названия, контролируемое обучение включает в себя супервизора, выступающего в качестве инструктора. В своей простейшей форме контролируемое обучение относится к процессу обучения или обучения компьютерной системы с использованием размеченных данных. Что указывает на то, что правильный ответ уже присвоен определенным данным. Чтобы алгоритм контролируемого обучения мог проанализировать обучающие данные (набор обучающих примеров) и предоставить точный результат из помеченных данных, машине затем предоставляется новый набор примеров (данных).
При интеллектуальном анализе данных обучение с учителем можно разделить на два типа задач — классификацию и регрессию:
Классификация —
Чтобы правильно классифицировать тестовые данные по разным группам, классификация использует алгоритм. Он идентифицирует определенные объекты в наборе данных и пытается определить, как эти вещи должны быть описаны или помечены. Часто используются следующие методы классификации: деревья решений, k-ближайший сосед, случайный лес, машины опорных векторов (SVM), линейные классификаторы и SVM.
Регрессия —
Чтобы понять взаимосвязь между зависимыми и независимыми переменными, используется регрессия. Он часто используется для получения оценок, в том числе для доходов от продаж компании. Популярные методы регрессии включают линейную регрессию, логистическую регрессию и полиномиальную регрессию.
Неконтролируемое машинное обучение
Неконтролируемое обучение — это тип машинного обучения, при котором пользователям не нужно следить за моделью. Вместо этого он позволяет модели работать независимо и находить ранее незамеченные закономерности и информацию. В основном это относится к неразмеченным данным.
Неконтролируемое обучение можно разделить на три типа задач при интеллектуальном анализе данных — кластеризация, обнаружение аномалий, нейронные сети:
Кластеризация —
Кластеризация является важной концепцией, когда речь идет об обучении без учителя. Основное внимание уделяется выявлению структуры или шаблона в наборе неклассифицированных (немаркированных) данных. Если в ваших данных есть какие-либо естественные кластеры или группы, алгоритмы кластеризации проанализируют их и создадут кластеры. Вы также можете выбрать количество кластеров, которые должны найти ваши алгоритмы. Кроме того, вы можете изменить уровень детализации в этих группах. Существуют различные типы алгоритмов кластеризации, которые я не буду рассматривать в этой статье (Нажмите здесь, чтобы прочитать о них подробнее)
Обучение с подкреплением
Разработчики предоставляют способ поощрения желаемых действий и наказания за нежелательное поведение в обучении с подкреплением. Чтобы мотивировать агента, этот метод дает положительные значения желаемым действиям и отрицательные значения нежелательному поведению. Это обучает агента стремиться к максимальному общему вознаграждению в долгосрочной перспективе, чтобы достичь наилучшего возможного результата.
Хотя обучение с подкреплением привлекло большое внимание в области искусственного интеллекта, все еще существует несколько ограничений для его принятия и использования в реальном мире. Несмотря на это, есть несколько исследовательских статей по теоретическим приложениям, и существуют некоторые эффективные варианты использования.