Приветствие:
Я так взволнован и имею честь обращаться к этому блогу, а также это мой первый блог с некоторыми знаниями и интересом к машинному обучению, я собираюсь разделить вас с некоторым уровнем удивительности, спасибо, что читаете это и делаете уверен, что вы прочитали этот блог до пят.
Обзор машинного обучения
Чтобы подробно узнать о ML-Machine Learning, мы должны знать, что такое искусственный интеллект и как он влияет на машинное обучение.
Как показано на рисунке выше, машинное обучение — это подмножество ИИ, которое анализирует шаблоны и помогает машине повысить точность результатов.
Моя встреча с МЛ
Как новичок в области моря, называемой машинным обучением, в первый день это было что-то очень захватывающее и полное чудес, по прошествии нескольких дней я медленно познал глубину машинного обучения и волшебство, которое оно может творить, обычно машинное обучение позволяет машине, системы или среды для принятия решений о ней, существует три различных типа методов машинного обучения:
Обучение с учителем, обучение без учителя, обучение с подкреплением состоит из разных алгоритмов, и каждый алгоритм имеет уникальную модель с различными приложениями в реальных примерах.
Алгоритм контролируемого обучения:
- Регрессия
- Древо решений
- Классификация
Алгоритм обучения без учителя:
- Кластеризация
- Ассоциативный анализ
Мой учитель, который руководил и помогал мне изучать машинное обучение, был просто потрясающим, я до сих пор благодарен ему за то, что он заставил нас осознать концепции каждого алгоритма и его работы, я почти изучил 12 моделей машинного обучения.
Вот список часто используемых алгоритмов машинного обучения. Эти алгоритмы можно применять к любым данным:
- Линейная регрессия
- Логистическая регрессия
- Древо решений
- SVM
- Наивный Байес
- kNN
- K-средние
- Случайный лес
- Алгоритмы уменьшения размерности
- Алгоритмы повышения градиента
- ГБМ
- XGBoost
По сути, этот алгоритм анализирует заданные данные своими предопределенными способами и прогнозирует результат модели, из которой определяется точность, что определяет вероятность успеха модели при ее реализации в реальном мире.
Полевые работы:
Что, если нет полиции, которая бы поддерживала закон и порядок, и хотя вероятность преступления или незаконной деятельности равна -NIL-, друзья смеялись надо мной, люди думали, что я болтаю о чем-то невозможном, я заархивировал всю их речь через свой проект.
Обнаружение аномалий:
Это моя работа в области машинного обучения, где я использовал базовую концепцию глубокого обучения, интегрированную с алгоритмом XGBoost, где он обнаруживает нормальные и ненормальные действия. Серверная часть этого проекта описывается следующим образом:
- сначала для обработки требуются живые или записанные видеоданные.
- Затем данные проходят тщательную подготовку, чтобы соответствовать созданной мной модели.
- Я создал две функциональные модели Насилие и Ненасилие для обнаружения нормальной и ненормальной активности.
- На этапе обучения данные, полученные в качестве входных данных, дифференцируются на категории «Насилие» и «Ненасилие».
- Эти различия помогают находить ненужные действия и немедленно предупреждать соответствующих владельцев и органы власти.
Захватывающая часть
Вариант использования ML имеет широкие возможности для будущего поколения и существующих систем, таких как автоматизация машин на заводе, метавселенная и виртуальная реальность, Omniverse и Digital Twinning.
Прогнозирование запасов, обнаружение спама и множество реальных вариантов использования ML играет жизненно важную роль в повседневной жизни, это будет основной причиной будущего влияния автоматизации человеческой жизни на повседневную деятельность. Когда дело доходит до повседневной жизни, мы уже есть много конечных продуктов, созданных с использованием методов машинного обучения, например:
- Alexa – умное устройство, которое распознает голосовую команду и выполняет поставленную задачу.
- Google Assistance — похоже на Alexa.
- IBM — Транспортная компания, которая работает исключительно с ИИ.
Машинное обучение делает жизнь более сложной и удобной, нет никаких сомнений в том, что ML позволит поднять уровень жизни на более высокий уровень. Мастера отрасли в области машинного обучения внедряют новые возможности в свои предложения продуктов, чтобы укрепить свои позиции на рынке ML. Такие организации, как Microsoft, Oracle, Amazon и IBM, являются ключевыми игроками отрасли, использующими искусственный интеллект и машинное обучение. Например,
Oracle запустила платформу Oracle Cloud Data Science Platform, чтобы помочь предприятиям совместно обучать, управлять и развертывать модели машинного обучения для повышения точности прогнозов в программах обработки данных.
Microsoft запустила открытую базу данных по транспорту, здоровью, населению и безопасности и т. д., чтобы помочь повысить производительность моделей машинного обучения с использованием общедоступного набора данных.
Использование в реальном мире
Без явного программирования машинное обучение может давать чрезвычайно точные результаты, предоставляя помощь и формулируя сложные проблемы и оказывая услуги конечному пользователю или системе с помощью устойчивой и идеально подходящей логики,
Машинному обучению можно научиться с помощью таких инструментов, как Python и R, которые позволили нам легко понять используемые в нем алгоритмы. И R, и Python включают в себя больше встроенных пакетов для работы ML -TensorFlow, Keras, Scikit изучают некоторые пакеты, используемые в Машинное обучение для обработки изображений, глубокое обучение и прогнозный анализ. Запомните мои слова: «Этот мир должен испытать машинное обучение в полной мере, пока не исчезнет человечество».
Конечная нота
В целом, этот журнал излил бы на читателя мысли о том, что этот мир испытывает с помощью машинного обучения и что мир собирается испытать с помощью искусственного интеллекта.
