Что такое машинное обучение?
Не торопитесь, чтобы Google это.
Вы, вероятно, можете встретить такие слова как алгоритм, часть искусственного интеллекта, данные и т. д.
Да, машинное обучение является частью искусственного интеллекта, где мы учим машины изучать шаблоны из ДАННЫХ, которые мы предоставляем, и делать прогнозы на основе подобных данных. Просто создание интеллектуальных машин должно быть техническим созданием алгоритмов, которые изучают сложный путь в данных.
Могут ли машины думать?
Ответ: большое НЕТ, машины не могут думать, но они способны выполнять больше работы за меньшее время, поэтому машины быстрые, но без наставника они бесполезны.
Какова ваша ежедневная доза машинного обучения?
Знаете ли вы, что используете машинное обучение, даже не подозревая об этом?
Да, мы используем машинное обучение в нашей повседневной жизни, не замечая этого, например, рекомендации по продуктам, рекомендации по поиску, ожидаемое время прибытия на Google Maps, спам-фильтры, фид в LinkedIn и Facebook, автокоррекция в Word, вы можете ясно увидеть их на рисунках ниже.
что насчет комментариев или рекомендаций сообщений в LinkedIn, вы можете увидеть сообщения, рекомендованные LinkedIn, на следующем изображении.
Вероятно, вы уже получили базовые знания о том, что такое машинное обучение. Теперь давайте поговорим о различных категориях в нем. В машинном обучении есть в основном три категории.
Различные категории в машинном обучении.
- Контролируемое обучение
- Обучение без учителя
- Обучение с подкреплением
- «Обучение с учителем и обучение без учителя — две наиболее широко используемые категории».
Контролируемое обучение
Что такое обучение с учителем, это в основном прогнозирование вывода из изученных данных. Сначала мы приведем несколько примеров в качестве входных данных (Функции — это технический термин) и выходных данных (Цель — это технический термин) для обучения алгоритма, затем мы проверим алгоритм с использованием различных функций и предскажем результат.
Supervised Learning использует помеченные данные Google для лучшего понимания.
Например, прогнозирование цены дома.
Теперь, если я попрошу вас предсказать цену дома с 6 спальнями на площади 2100, построенного 3 года назад, используя приведенную выше таблицу, вы можете предсказать цену дома около 2 00 000, потому что вы заметили, что данные характеристики похожи. к 3-му примеру в таблице. Это то, что делает алгоритм контролируемого обучения.
Некоторые контролируемые алгоритмы обучения
- Регрессия
- Классификация
- Нейронные сети
- Древо решений
- K Ближайшие соседи
Неконтролируемое обучение
Здесь мы разделим данные на кластеры, исходя из их особенностей. В неконтролируемом обучении нет Цели.
Как вы получаете релевантные статьи при поиске новостей в Google. Простой из-за кластеризации.
Предположим, у меня есть список жителей жилой колонии X1, X2 — их рост и вес соответственно, теперь вы хотите разделить их на группы, чтобы нанести их рост и вес на бумагу, и вы получили изображение ниже.
Если вы видите изображение выше, вы можете легко определить, что жители образуют 4 группы, здесь алгоритм обучения без учителя делит данные на основе их соответствующих значений X1 и X2.
Теперь, если к колонии присоединяется новый человек, и вы хотите узнать, к какому кластеру он принадлежит, вы просто нанесете его рост и вес и назначите ему ближайший кластер.
Некоторые алгоритмы обучения без учителя
- K означает кластеризацию
- Анализ главных компонентов
- Уменьшение размерности
- Обнаружение аномалий
Обучение с подкреплением
Обучение с подкреплением заключается в последовательном принятии решений. Простыми словами можно сказать, что выход зависит от состояния текущего входа, а следующий вход зависит от выхода предыдущего входа.
По сути, это вознаграждение или оценка алгоритма, когда он идет по правильному пути, и наказание, когда он идет по неправильному пути.
Применение обучения с подкреплением
- Хорошо известное использование обучения с подкреплением — это самоуправляемые автомобили.
- Используется в играх и конфигурации веб-системы.
На этом этапе не делайте акцент на обучении с подкреплением, вы узнаете об этом на своем пути изучения области машинного обучения.
Языки программирования
- питон
- R
- Java и Javascript
- Юлия
- ЛИСП
Вышеупомянутые языки — это некоторые из известных языков, используемых для машинного обучения, не беспокойтесь об этих языках программирования сейчас, Python более чем достаточно, чтобы начать вашу карьеру в машинном обучении.
Где можно выучить питон?
Вы можете изучить основы Python в w3schools.
Вы можете записаться на следующий курс, чтобы узнать больше о python.
Вы можете приобрести этот курс или подать заявку на финансовую помощь (обработка заявки занимает около 15 дней, поэтому лучше зарегистрироваться заранее).
Как новичок, вам нужно много практики, вы можете решать проблемы на HackerRank.
И наконец, если вы действительно заинтересованы в машинном обучении, у вас так много ресурсов в Google, выделите время для изучения большего.
Я буду писать больше статей с подробным объяснением алгоритмов, упомянутых в разделе «Обучение с учителем и без учителя», поэтому, если вам интересно узнать больше об алгоритмах, следуйте за мной, если вам понравилась эта статья, пожалуйста, поставьте лайк и поделитесь ею с друзьями. Вы можете указать любые вопросы или советы в комментариях, я буду рад их получить.
