Вводный

Искусственный интеллект — это чисто математическое и научное упражнение, но когда он становится вычислительным, он начинает решать человеческие проблемы.

Машинное обучение — это часть искусственного интеллекта. ML — это изучение компьютерных алгоритмов, которые автоматически улучшаются благодаря опыту. ML исследует изучение и построение алгоритмов, которые могут учиться на данных и делать прогнозы на основе данных. На основе большего количества данных машинное обучение может изменить действия и ответы, что сделает его более эффективным, адаптируемым и масштабируемым.

Глубокое обучение – это метод реализации алгоритмов машинного обучения. Он использует искусственные нейронные сети для обучения данных, чтобы принимать многообещающие решения. Нейронная сеть выполняет микровычисления с вычислениями на многих уровнях и может справляться с задачами, такими как люди.

Типы машинного обучения

  1. Обучение с учителем. В модели обучения с учителем алгоритм обучается на помеченном наборе данных, чтобы генерировать ожидаемые прогнозы реакции на новые данные.

Например; Для прогнозирования цен на дома нам сначала нужны данные о домах, такие как; квадратный фут, нет. количество комнат, есть в доме сад или нет и так далее. Затем нам нужно знать цены на эти дома, т.е. метки классов. Теперь, когда мы получаем данные о тысячах домов, их характеристиках и ценах, мы можем обучить контролируемую модель машинного обучения прогнозировать цену нового дома на основе прошлого опыта модели.

Обучение с учителем бывает двух типов:

a) Классификация: в классификации компьютерная программа обучается на обучающем наборе данных и на основе обучения классифицирует данные по различным меткам классов. Этот алгоритм используется для прогнозирования дискретных значений, таких как мужчина|женщина, правда|ложь, спам|не спам и т. д.

Например; Обнаружение спама в электронной почте, распознавание речи, идентификация раковых клеток и т. д.

Типы алгоритмов классификации:

  • Наивный байесовский классификатор
  • Деревья решений
  • Логистическая регрессия
  • K-ближайшие соседи
  • Машина опорных векторов
  • Случайная классификация леса

b) Регрессия: задача алгоритма регрессии состоит в том, чтобы найти функцию отображения для отображения входных переменных (x) в непрерывную выходную переменную (y). Алгоритмы регрессии используются для прогнозирования непрерывных значений, таких как цена, зарплата, возраст, оценки и т. д.

Например; Прогноз погоды, прогноз цен на жилье, обнаружение фейковых новостей и т. д.

Типы алгоритмов регрессии:

  • Простая линейная регрессия
  • Множественная линейная регрессия
  • полиномиальная регрессия
  • Регрессия дерева решений
  • Случайная лесная регрессия
  • Метод ансамбля

2. Неконтролируемое обучение. В модели неконтролируемого обучения алгоритм обучается на немаркированном наборе данных и пытается найти смысл, самостоятельно извлекая функции, совпадения и лежащие в основе закономерности.

Например; Обнаружение аномалий, в том числе обнаружение мошенничества. Другой пример – Открытие больниц скорой помощи в максимально аварийно-опасных зонах. Кластеризация K-средних сгруппирует эти местоположения максимально подверженных зон в кластеры и определит центр кластера (т.е. больницу) для каждого кластера (т.е. подверженных авариям областей).

Типы обучения без учителя:

  • Кластеризация
  • Обнаружение аномалий
  • Ассоциация
  • Автоэнкодеры
  • Модели со скрытой переменной
  • Нейронные сети

3. Обучение с подкреплением. Обучение с подкреплением — это тип машинного обучения, при котором модель учится вести себя в окружающей среде, выполняя определенные действия и анализируя реакции. RL предпринимает соответствующие действия, чтобы максимизировать положительный ответ в конкретной ситуации. Модель подкрепления решает, какие действия предпринять для выполнения данной задачи, поэтому она обязательно учится на собственном опыте.

Например; Давайте возьмем пример ребенка, когда он учится ходить. В первом случае, когда ребенок начинает ходить и добирается до шоколада, так как шоколад является конечной целью для ребенка, и реакция ребенка положительная, так как он счастлив. Во втором случае, когда ребенок начинает ходить и при ходьбе его ударяет стул и он не может дотянуться до шоколадки, он начинает плакать, что является негативной реакцией. Это значит, что мы, люди, учимся на собственном опыте. Здесь ребенок — «агент», шоколад — «награда», а между ними множество препятствий. Теперь агент пробует несколько способов и находит наилучший путь к награде.

Жизненный цикл машинного обучения

Машинное обучение помогает повысить производительность и производительность задачи. Он включает в себя обучение и самокоррекцию при введении новых данных.

Жизненный цикл машинного обучения включает шесть основных этапов:

Шаг 1. Сбор данных

Определите различные источники данных, такие как Kaggle, и соберите необходимый набор данных.

Шаг 2. Предварительная обработка данных и EDA

На этом этапе мы анализируем данные на предмет отсутствующих значений, повторяющихся данных, недействительных данных с использованием различных аналитических методов. А также предварительная обработка данных для извлечения признаков, анализа признаков и визуализации данных.

Шаг 3. Обучение модели

Мы используем набор данных для обучения модели с использованием различных алгоритмов машинного обучения. Обучение модели важно, чтобы она могла понять различные шаблоны, правила и функции.

Шаг 4. Тестовая модель

На этом этапе мы проверяем точность нашей модели, предоставляя тестовый набор данных обученной модели.

Шаг 5. Развертывание модели

Развертывание модели означает интеграцию модели машинного обучения в существующую производственную среду, которая принимает входные данные и возвращает выходные данные для принятия бизнес-решений на основе данных. Перечислены различные технологии, которые можно использовать для развертывания моделей машинного обучения:

  • Докер
  • Кубернетес
  • AWS SageMaker
  • МЛФлоу
  • Служба машинного обучения Azure

Шаг 6. Мониторинг модели

После развертывания модели начинается мониторинг модели, который отслеживает ваши модели машинного обучения на наличие таких факторов, как ошибки, сбои и задержка, и, что наиболее важно, чтобы убедиться, что ваша модель поддерживает желаемую производительность. Мониторинг моделей очень важен, потому что ваши модели со временем будут ухудшаться из-за нескольких факторов, таких как невидимые данные, изменения в среде и отношения между переменными.

Некоторые реальные приложения машинного обучения

  • Автоматический языковой перевод в Google Translate
  • Ускоренный выбор маршрута в Google Map
  • Беспилотный/беспилотный автомобиль
  • Смартфон с распознаванием лиц
  • Распознавание речи
  • Система рекомендаций по рекламе
  • Система рекомендаций Netflix
  • Автоматическое предложение отметить друга в Facebook
  • Торговля на фондовом рынке
  • Обнаружение мошенничества
  • Прогноз погоды
  • Медицинский диагноз
  • Чат-бот
  • Машинное обучение в сельском хозяйстве

Преимущества машинного обучения

  • Автоматизация работы
  • Мощная предсказательная способность
  • Увеличение продаж на рынке электронной коммерции
  • Преимущества машинного обучения в медицинской сфере для улучшения медицинской диагностики и разработки лекарств
  • Машинное обучение используется в роботизированной медицинской хирургии
  • Машинное обучение в финансах повышает производительность, увеличивает доход и обеспечивает безопасность транзакций
  • Моделирование данных для принятия полезных решений

Резюме

Машинное обучение можно использовать практически во всех сферах человеческой жизни, чтобы сделать нашу работу эффективной, надежнойи несложной. Как мы знаем, у всего есть свои плюсы и минусы, у машинного обучения есть и свои недостатки, например, с ростом машинного обучения многие люди могут потерять свою текущую работу по сценарию. Но самое важное то, что это полезно в долгосрочной перспективе для человечества.