Машинное обучение позволяет компьютерам автоматически обучаться на основе прошлых данных и опыта. Некоторыми примерами машинного обучения, которые мы используем в реальной жизни, являются обнаружение спама в электронной почте, распознавание речи, распознавание изображений.
Типы машинного обучения
Машинное обучение можно разделить на 3 категории:
- Контролируемое обучение
- Неконтролируемое обучение
- Обучение с подкреплением
Контролируемое обучение
Обучение с учителем — это простой метод машинного обучения, в котором мы передаем помеченные данные для моделирования и обучения, на основе помеченных данных он прогнозирует результат. Это очень точный и надежный метод.
Некоторый контролируемый алгоритм
- K-значит соседи
- Линейная регрессия
- Нейронная сеть
- Логистическая регрессия
- Деревья решений и случайный лес
Обучение без учителя
При неконтролируемом обучении данные не маркируются. Неконтролируемое обучение является сложным, оно позволяет модели работать самостоятельно, чтобы обнаруживать закономерности. В этом обучении пользователю не нужно контролировать модель.
Какой-то неконтролируемый алгоритм
- K- означает кластеризацию
- K- ближайшие соседи (KNN)
- Априорный алгоритм
- Алгоритм Экла
Обучение с подкреплением
Обучение с подкреплением основано на обучении на основе обратной связи. Агент обучения будет наблюдать, как среда получает вознаграждение за правильное действие и штраф за неправильное действие. Агент должен учиться сам.
Некоторый алгоритм обучения с подкреплением
1. Q-обучение
2. Глубокий детерминированный градиент политики (DDPG)
3. Сеть Deep Q