Čo je to strojové učenie?
Strojové učenie je malá oblasť aplikácie umelej inteligencie, v ktorej sa stroje automaticky učia z operácií a snažia sa poskytovať lepší výkon. Na základe zozbieraných údajov majú stroje tendenciu zlepšovať zarovnávanie počítačových programov s požadovaným výstupom. Vzhľadom na túto schopnosť stroja učiť sa samo o sebe nie je potrebné výslovné programovanie týchto počítačov. Už to všade preniklo do našich životov bez toho, aby sme to vedeli. Prakticky každý stroj, ktorý používame, a stroje na moderné technológie, ktoré sme svedkami v poslednom desaťročí, obsahovali strojové učenie na zvýšenie kvality výrobkov. Medzi príklady strojového učenia patria automobily s vlastným pohonom, pokročilé vyhľadávanie na webe, rozpoznávanie reči.
Hlavným cieľom človeka je vyvinúť algoritmus výučby strojov takým spôsobom, aby pomohol strojom učiť sa automaticky bez akéhokoľvek ľudského zásahu. Učenie sa pritom závisí od údajov, ktoré sa poskytujú, kde stroje pozorujú a rozpoznávajú niektoré vzorce a trendy. S každým novým údajovým bodom sa zlepšuje porozumenie stroja a výstup je vyrovnanejší a spoľahlivejší. Dáta môžu byť numerické hodnoty, priame skúsenosti, obrázky atď., Ktoré tiež prispievajú k tomu, ako pristupujeme k akémukoľvek problému, ktorý sme chceli vyriešiť pomocou strojového učenia. Existujú tiež rôzne typy prístupov strojového učenia sa podľa typu výstupu, ktorý potrebujete.
Rozdiel medzi konvenčným programovaním a strojovým učením
Konvenčné programovanie = Logika je naprogramovaná + Dáta sú vložené + Logika je spustená na dáta + Výstup
Strojové učenie = Údaje sú vložené + Očakávaný výstup je vložený + Spustite ich na stroji na zaškolenie algoritmu zo vstupu na výstup, skrátka, nechajte si vytvoriť svoju vlastnú logiku, aby sa dostal od vstupu k výstupu + Vycvičený algoritmus použitý na testovacie údaje na predikciu
Metódy strojového učenia
Máme štyri hlavné typy metód strojového učenia na základe druhu učenia, ktoré očakávame od algoritmov:
1. Strojové učenie pod dohľadom
Algoritmy pod dohľadom sa používajú, keď je výstup klasifikovaný alebo označený. Tieto algoritmy sa učia z minulých údajov, ktoré sú vložené, nazývané ako školiace údaje, vykonávajú svoju analýzu a používajú túto analýzu na predpovedanie budúcich udalostí akýchkoľvek nových údajov v rámci známych klasifikácií. Presná predpoveď údajov z testov vyžaduje, aby veľké údaje mali dostatočné porozumenie vzorcom. Algoritmus je možné ďalej trénovať porovnaním výstupov výcviku so skutočnými a použitím chýb na modifikáciu algoritmov.
Príklad zo skutočného života:
- Klasifikácia obrazu - Algoritmus je zostavený z napájania označenými obrazovými údajmi. Algoritmus je vyškolený a očakáva sa, že v prípade nového obrazu ho algoritmus klasifikuje správne.
- Predikcia trhu - nazýva sa to aj regresia. Do počítača sa privádzajú historické údaje o obchodnom trhu. S analytickým a regresným algoritmom sa predpovedá nová cena do budúcnosti v závislosti od premenných.
Prejdime k ďalším hlavným typom metód strojového učenia.
2. Strojové učenie bez dozoru
Algoritmy výučby bez dozoru sa používajú, keď nevieme o konečných výstupoch a klasifikácia alebo označené výstupy nie sú k dispozícii. Tieto algoritmy študujú a generujú funkciu na opis úplne skrytých a neznačených vzorov. Preto neexistuje žiadny správny výstup, ale údaje sa študujú, aby poskytli neznáme štruktúry v neznačených údajoch.
Príklad zo skutočného života:
- Klastrovanie - Dáta s podobnými znakmi sú požiadané o zoskupenie pomocou algoritmu, toto zoskupenie sa nazýva zhluky. Ukázalo sa, že sú užitočné pri štúdiu týchto skupín, ktoré je možné viac alebo menej aplikovať na celé údaje v klastri.
- Údaje s vysokou dimenziou - S údajmi s vysokou dimenziou nie je obvykle ľahké pracovať. Pomocou učenia bez dozoru je možná vizualizácia údajov vysokej dimenzie
- Generatívne modely - Akonáhle váš algoritmus analyzuje a príde s rozdelením pravdepodobnosti vstupu, môže sa použiť na generovanie nových údajov. Ukázalo sa, že je to veľmi užitočné v prípade chýbajúcich údajov.
3. Posilnenie strojového učenia
Tento typ algoritmu strojového učenia používa metódu pokusu a omylu na zastavenie výstupu na základe najvyššej efektívnosti funkcie. Výstup sa porovnáva, aby sa zistili chyby a spätná väzba, ktoré sa privádzajú späť do systému, aby sa zlepšil alebo maximalizoval jeho výkon. Model je vybavený odmenami, ktoré sú v zásade spätnou väzbou a trestom za jeho činnosť pri plnení konkrétneho cieľa.
4. Polo dozoru strojového učenia
Tieto algoritmy bežne vykonávajú označené a neznačené údaje, kde množstvo neznačených údajov je veľké v porovnaní s označenými údajmi. Pretože pracuje s algoritmami učenia sa a medzi nimi, medzi nimi a medzi nimi, nazýva sa to strojové učenie s polovičným dohľadom. Systémy využívajúce tieto modely majú zlepšenú presnosť pri učení.
Príklad - Archív obrázkov môže obsahovať iba niektoré zo svojich údajov, napr. Pes, mačka, myš a veľké množstvo obrázkov zostávajú neznačené.
Modely založené na druhu výstupov z algoritmov
Nižšie sú uvedené typy modelov strojového učenia založené na druhu výstupov, ktoré očakávame od algoritmov:
1. Klasifikácia
Existuje rozdelenie tried vstupov, systém vytvára model z tréningových dát, v ktorom prideľuje nové vstupy jednej z týchto tried
Spadá pod zastrešené učenie pod dohľadom. Príkladom skutočného života môže byť filtrovanie nevyžiadanej pošty, kde e-maily sú vstupom klasifikovaným ako „spam“ alebo „nevyžiadaná pošta“.
2. Regresia
Regresný algoritmus je tiež súčasťou učenia pod dohľadom, ale rozdiel spočíva v tom, že výstupy sú spojité premenné a nie diskrétne.
Príklad - Predpovedanie cien nehnuteľností pomocou minulých údajov
3. Zníženie rozmerov
Tento typ strojového učenia súvisí s analýzami vstupov a ich redukciou na iba relevantné vstupy, ktoré sa používajú pri vývoji modelu. Výber funkcií, tj výber vstupov a výber funkcií, sú ďalšie témy, ktoré je potrebné zvážiť, aby sa lepšie porozumelo zmenšeniu rozmerov.
Na základe vyššie uvedených rôznych prístupov je potrebné zvážiť rôzne algoritmy. Niektoré veľmi bežné algoritmy sú lineárna a logická regresia, K-najbližší susedia, rozhodovacie stromy, podporné vektorové stroje, náhodný les atď. Pomocou týchto algoritmov môžu mať komplexné rozhodovacie problémy zmysel pre smerovanie založené na veľkom množstve údajov., Na dosiahnutie tejto presnosti a príležitostí sa musia poskytnúť ďalšie zdroje, ako aj čas. Strojové učenie používané spolu s umelou inteligenciou a inými technológiami je efektívnejšie na spracovanie informácií.
Odporúčané články
Toto bol sprievodca Typy strojového učenia. Tu sme diskutovali koncepciu, inú metódu a iný druh modelu pre algoritmy. Ak sa chcete dozvedieť viac, môžete si tiež prečítať naše ďalšie navrhované články -
- Techniky strojového učenia
- Čo je hlboké vzdelávanie
- Čo je to strojové učenie?
- Úvod do strojového učenia
- Hyperparameter Machine Learning