Соединение точек
Машинное обучение
Обзор машинного обучения
Как вы думаете, что общего между Tesla Cars и линейной регрессией? Tesla, автомобилем, который выполняет очень сложные алгоритмы глубокого обучения. strong> при беге почти 60 миль в час с такой большой точностью и скоростью, в то время как линейная регрессия в основном является наиболее подходящей линией😂(с при всем уважении к LR).
Ответ связан с самой маленькой единицей каждого алгоритма машинного обучения или глубокого обучения. Как мы знаем, «наименьшая единица материи — это атом».
В этом посте мы разберемся в различных концепциях и алгоритмах машинного обучения и в том, как они появились. Это подход, основанный на интуиции. Короче говоря, это помогает нам узнать, как и почему возник конкретный алгоритм, и установить связи между различными концепциями.
Описание -
- Приложения машинного обучения.
- Интуитивно понятный подход к машинному обучению (обучение в процессе работы).
- Самая маленькая единица для машинного обучения.
- Как решить, какой алгоритм/модель выбрать.
Прежде чем непосредственно перейти к теме, давайте сначала рассмотрим применение машинного обучения, чтобы погрузить наши любознательные умы в мир машинного обучения.
Приложения машинного обучения
Проще говоря, он везде.
- Прямо из вашего Snapchat в ленту Instagram,
- комплекс Tesla Cars, в один из моих любимых поисков в Google... для MCQ(😈😏)
- Прогнозирование подъема третьей волны Covid-19 несколько месяцев назад.
- Грамматикапомогает мне правильно написать Правописание для этого поста.
а можно еще много…
Учитесь, делая
Предположим, мы хотим решить экологическую проблему или, скажем, мы хотим создать беспилотный автомобиль.
Давайте попробуем придумать алгоритм, который может это сделать.
class Some_Algorithm:
'''
'''
Если мы пытаемся создать машину, которая может водить как люди, очевидно, что она должна иметь такие же способности, как у людей, т.е.наш код должен быть таким, чтобы —
1. Он может извлечь уроки из своего прошлого опыта
В нашем случае это означает, что машина (Алго) должна помнить или учиться на своем прошлом опыте, например
Впереди красный свет: Стоп.
Если дорога идет налево: Терн налево
Если впереди животное/человек: СТОП
Этот конкретный случай известен как -
Контролируемое обучение
В них наш алгоритм учится на заданном вопросе/состоянии/ситуации и соответствующих ответах. И когда в будущем он находит вопросы, основанные на его знаниях, он может справиться с ситуацией.
2. Сгруппируйте похожие объекты
Очевидно, что мы не собираемся писать какой-то код для автомобилей BMW и другой код для Ferrari, я знаю, что это может показаться глупым, но беспилотные автомобили понятия не имею об отношениях между BMW и Ferrari или даже с пешеходами или животными.
Я хочу сказать, что мы должны придумать алгоритм, который может определить, что BMW, Ferrari и т. д. попадают в одну и ту же категорию, а животные и падстрийцы попадают в другую категорию, чтобы принимать решения, соответствующие их конкретным категориям. Это известно как
Неконтролируемое обучение
В этом случае нам не предоставляется какое-либо решение/метки, и мы должны группировать объекты вместе на основе определенных типов сходства. Сходство может быть основано на любом атрибуте, таком как цвет, форма, расстояние и т. д.
3. Большое количество неопределенностей Генделя.
На данный момент существует множество переменных, на которые следует обратить внимание, например поиск различных типов объектов, классификация их по группам, обработка различных типов объектов погодные условия, управляемость на мокрых и грязных дорогах, другие мчащиеся машины и так далее. Есть так много переменных, на которые нужно обратить внимание. И невозможно написать код, обрабатывающий все эти сценарии.
Поэтому мы должны создать алгоритм, который может обучаться сам по себе, без написания кода для каждого аспекта. Это известно как—
Обучение с подкреплением
В нем мы пишем алгоритм, который будет предоставлять определенный тип вознаграждения за выполнение определенного действия. Например, есть поворот налево, но машина повернула направо, тогда мы дадим машине (Алго) награду -ve, а если она повернула налево, она получит награду >+ve вознаграждение. Таким образом, в основном наш алгоритм будет пытаться уменьшить отрицательное вознаграждение и попытаться получить положительное вознаграждение, и в этом процессе он учится действовать в различных ситуациях. (Очевидно, что в реальной жизни мы не можем позволить машине учиться так, поэтому мы делаем этот процесс в симуляции)
Структура алгоритма
class MachineLearning:
def Supervised_Learning( Situation, Answers ):
return model
def Unsupervised_Learning( Situation ):
return model
def Reinforcement_Learning( Situation ):
return model
Наименьшая единица
Теперь, когда вы знакомы с различными подходами к машинному обучению, давайте ответим на следующие вопросы.
Как вы думаете, что общего между автомобилями Tesla и линейной регрессией?
Таким образом, для каждой проблемы, которую нужно решить, есть некоторый вклад, который нужно дать алгоритму, чтобы учиться. Этот ввод известен как данные. Эти данные можно просмотреть в виде CSV-файла или графика.
Таким образом, ответ заключается в том, что в каждом алгоритме мл на наименьшей паршивости мы должны
1. Либо придумайте линию, которая может следовать шаблону, по которому распределяются данные.
2. Придумать линии, по которым можно различить разные кластеры настоящего графика.
Будь то контролируемое, неконтролируемое или обучение с подкреплением за кулисами, все они пытаются создать эту линию. В некотором смысле мы можем назвать эту линию линией/границей принятия решения.
Граница принятия решения может быть двух типов:
- Линейный
- Нелинейный
Как вы знаете, в конце концов нам нужно выбрать алгоритм, который генерирует эту линию/границу решения, чтобы решить проблему машинного обучения.
Но, теперь, когда мы знаем различные алгоритмы принятия Границ решений!!
Чтобы узнать, какой алгоритм/модель выбрать, задайте себе следующие вопросы:
Q1. Какой тип проблемы вы решаете?
- Это проблема обучения с учителем, без учителя или с подкреплением?
Вопрос 2. Спросите себя, о чем цель??
Вопрос 3. Являются ли ваши данные линейно разделимыми или нелинейными?
Вывод -
Мы увидели, как мы можем интуитивно подойти к Контролируемому, Неконтролируемому и Алгоритму обучения с подкреплением. Мы также видели, что независимо от того, используется ли нейронная сеть или линейная регрессия, один и тот же метод применяется в меньшем масштабе. Наконец, мы узнали, как выбрать лучшую модель/алгоритм.
Если вы найдете этот интуитивный подход и информацию полезными, подумайте о том, чтобы покинуть 👏😄.
