Ну для тех кто думает, я даже не знаю что такое машинное обучение и тема "Виды машинного обучения".

Машинное обучение — это какое-то действие, которое вы хотите выполнить самостоятельно, но ту же работу выполняет машина. Машину может обучить учитель, или машина может научиться работать сама, проведя некоторые эксперименты.

Подобно тому, как вас учат «Как решить вопрос?» учителем в вашей школе или вы решаете вопрос самостоятельно за одну или несколько попыток.

В зависимости от объема и вида надзора ОД классифицируется на

  1. Контролируемое обучение

Обучение с учителем — это когда у вас есть «помеченная цель» как у вашего учителя, который поможет вам построить модели машинного обучения.

пример: Предположим, вы играете в шахматы против компьютера , где целевой столбец РЕЗУЛЬТАТ показывает, выиграли вы игру или нет. ВЫИГРЫШ обозначается как "1", а ПРОИГРЫШ обозначается как "0".

Здесь целевой столбец помогает вам обучать ненаблюдаемые примеры.

Обучение под наблюдением далее подразделяется на два,

  • Классификация — где вы предсказываете дискретные значения. пример: Результат Индии в матче по крикету: ВЫИГРЫШ (1) или ПРОИГРЫШ (0).

  • Регрессия — где вы прогнозируете непрерывные числовые значения. пример: прогнозирование цены продажи автомобиля (500 000–1 000 000 рупий).

2. Обучение без учителя

Неконтролируемое обучение — это когда ваша система учится без учителя. Данные обучения не помечены. Позвольте вашей системе найти закономерности среди данных.

  • Кластеризация

  • Уменьшение размерности — упростите данные, не теряя много информации. Один из способов сделать это — объединить несколько взаимосвязанных функций в одну. пример: пробег автомобиля будет коррелировать с его возрастом, поэтому уменьшение размерности объединит их в одну функцию, которая представляет износ автомобиля.

  • Изучение правила ассоциации — применяется, когда у вас есть большой объем данных и вы обнаруживаете интересную связь между атрибутами.

3. Полуконтролируемое обучение

Полууправляемые алгоритмы могут работать с частично помеченными обучающими данными и большим количеством неразмеченных данных.

пример: Google Фото в вашем телефоне содержит тысячи изображений, в которых он автоматически определяет, что Person1 находится на изображениях 1, 55, 60, а Person2 находится на изображениях 3,4,10. Это неконтролируемая часть полуконтролируемого алгоритма (кластеры формируется на основе лица человека). Каждому кластеру назначается метка (которая является именем человека), чтобы указать имя человека, и кластер содержит все изображения, на которых присутствует конкретный человек. Это контролируемая часть полуконтролируемого алгоритма.

4. Обучение с подкреплением

В этом типе обучения используется обучающая система под названием «Агент». Агент будет наблюдать за окружающей средой, выбирать и выполнять действия и получать вознаграждение взамен (или штрафы в виде отрицательных вознаграждений).

Система сама узнает, какая стратегия, называемая политикой, лучше всего подходит для получения наибольшего вознаграждения.

пример: Компьютер сам обучен играть в шахматы против человека.