Co to jest uczenie maszynowe?
Uczenie maszynowe to niewielki obszar sztucznej inteligencji, w którym maszyny automatycznie uczą się na podstawie operacji i dbają o siebie, aby zapewnić lepszą wydajność. W oparciu o zebrane dane maszyny zwykle pracują nad ulepszeniem programów komputerowych, dopasowując je do wymaganej wydajności. Ze względu na zdolność maszyny do samodzielnego uczenia się, jawne programowanie tych komputerów nie jest wymagane. Wszędzie już przenikało do naszego życia bez naszej wiedzy. Praktycznie każda maszyna, z której korzystamy, i maszyny z zaawansowaną technologią, których jesteśmy świadkami w ostatniej dekadzie, mają wbudowane uczenie maszynowe w celu poprawy jakości produktów. Niektóre przykłady uczenia maszynowego to samodzielne samochody, zaawansowane wyszukiwanie w Internecie, rozpoznawanie mowy.
Głównym celem ludzi jest rozwinięcie algorytmu uczenia się maszyn w taki sposób, aby pomagał maszynom uczyć się automatycznie bez jakiejkolwiek ingerencji człowieka. Uczenie się natomiast zależy od wprowadzanych danych, w których maszyny obserwują i rozpoznają niektóre wzorce i trendy. Z każdym nowym punktem danych poprawia się zrozumienie maszyny, a wyniki są bardziej wyrównane i niezawodne. Dane mogą być wartościami liczbowymi, bezpośrednimi doświadczeniami, obrazami itp., Co również przyczynia się do tego, jak podchodzimy do każdego problemu, który chcieliśmy rozwiązać za pomocą uczenia maszynowego. Istnieją również różne rodzaje metod uczenia maszynowego w zależności od potrzebnych wyników.
Różnica między programowaniem konwencjonalnym a uczeniem maszynowym
Programowanie konwencjonalne = Programowanie logiki + Wprowadzanie danych + Logika uruchamia się na danych + Wyjście
Uczenie maszynowe = Wprowadzane dane + Wprowadzane oczekiwane dane wyjściowe + Uruchom go na maszynie, aby wyćwiczyć algorytm od wejścia do wyjścia, krótko mówiąc, pozwól mu stworzyć własną logikę sięgania od wejścia do wyjścia + Wyszkolony algorytm używany na danych testowych do prognozowania
Metody uczenia maszynowego
Mamy cztery główne typy metod uczenia maszynowego w oparciu o rodzaj uczenia się, jakiego oczekujemy od algorytmów:
1. Nadzorowane uczenie maszynowe
Nadzorowane algorytmy uczenia się są używane, gdy dane wyjściowe są klasyfikowane lub oznakowane. Algorytmy te uczą się na podstawie wprowadzonych danych z przeszłości, zwanych danymi szkoleniowymi, przeprowadzają analizę i wykorzystują tę analizę do przewidywania przyszłych zdarzeń wszelkich nowych danych w ramach znanych klasyfikacji. Dokładne przewidywanie danych testowych wymaga dużych danych, aby mieć wystarczające zrozumienie wzorców. Algorytm może być dalej trenowany poprzez porównanie wyników treningu z rzeczywistymi i wykorzystanie błędów do modyfikacji algorytmów.
Przykład z życia:
- Klasyfikacja obrazu - algorytm jest pobierany z karmienia z etykietowanymi danymi obrazu. Algorytm jest szkolony i oczekuje się, że w przypadku nowego obrazu algorytm klasyfikuje go poprawnie.
- Prognozy rynku - Nazywa się to również regresją. Historyczne dane rynkowe są przekazywane do komputera. Dzięki algorytmowi analizy i regresji prognozowana jest nowa cena na przyszłość w zależności od zmiennych.
Przejdźmy do następnych głównych rodzajów metod uczenia maszynowego.
2. Uczenie maszynowe bez nadzoru
Algorytmy uczenia bez nadzoru są stosowane, gdy nie jesteśmy świadomi końcowych wyników, a wyniki klasyfikacji lub oznakowane nie są do naszej dyspozycji. Algorytmy te badają i generują funkcję opisującą całkowicie ukryte i nieznakowane wzorce. Dlatego nie ma prawidłowego wyniku, ale bada dane, aby wydobyć nieznane struktury w danych nieznakowanych.
Przykład z życia:
- Klastrowanie - dane o podobnych cechach są proszone o zgrupowanie według algorytmu, takie grupowanie nazywa się klastrami. Te okazują się pomocne w badaniu tych grup, które można zastosować mniej więcej do wszystkich danych w klastrze.
- Dane dużego wymiaru - Dane dużego wymiaru zwykle nie są łatwe w obsłudze. Za pomocą uczenia się bez nadzoru można wizualizować dane o dużych wymiarach
- Modele generatywne - gdy algorytm analizuje i przedstawia rozkład prawdopodobieństwa danych wejściowych, można go użyć do wygenerowania nowych danych. Jest to bardzo pomocne w przypadku brakujących danych.
3. Uczenie maszynowe zbrojenia
Ten typ algorytmu uczenia maszynowego wykorzystuje metodę prób i błędów, aby odrzucić dane wyjściowe w oparciu o najwyższą wydajność funkcji. Dane wyjściowe są porównywane w celu znalezienia błędów i informacji zwrotnych, które są przekazywane do systemu w celu poprawy lub maksymalizacji jego wydajności. Model jest wyposażony w nagrody, które są w zasadzie sprzężeniami zwrotnymi i karami w operacjach podczas wykonywania określonego celu.
4. Częściowo nadzorowane uczenie maszynowe
Algorytmy te zwykle podejmują dane oznaczone i nieznakowane, przy czym ilość danych nieznakowanych jest duża w porównaniu z danymi oznaczonymi. Ponieważ działa zarówno z algorytmami uczenia się nadzorowanymi, jak i między nimi, jest nazywany pół-nadzorowanym uczeniem maszynowym. Systemy wykorzystujące te modele mają lepszą dokładność uczenia się.
Przykład - archiwum obrazów może zawierać tylko niektóre dane oznaczone np. Pies, kot, mysz i duża część zdjęć pozostają nieznakowane.
Modele oparte na rodzaju danych wyjściowych z algorytmów
Poniżej znajdują się typy modeli uczenia maszynowego w oparciu o rodzaj wyników, których oczekujemy od algorytmów:
1. Klasyfikacja
Istnieje podział klas danych wejściowych, system tworzy model z danych szkoleniowych, w którym przypisuje nowe dane wejściowe do jednej z tych klas
Podlega nadzorowanemu uczeniu się. Przykładem może być filtrowanie spamu, w którym wiadomości e-mail są klasyfikowane jako „spam” lub „nie spam”.
2. Regresja
Algorytm regresji jest również częścią nadzorowanego uczenia, ale różnica polega na tym, że dane wyjściowe są zmiennymi ciągłymi, a nie dyskretnymi.
Przykład - prognozowanie cen domów na podstawie danych z przeszłości
3. Redukcja wymiarów
Ten rodzaj uczenia maszynowego jest powiązany z analizami danych wejściowych i redukowaniem ich do odpowiednich, które można wykorzystać do opracowania modelu. Wybór cech, tj. Wybór danych wejściowych i ekstrakcja cech, to dalsze tematy, które należy wziąć pod uwagę, aby lepiej zrozumieć redukcję wymiarowości.
Na podstawie powyższych różnych podejść należy rozważyć różne algorytmy. Niektóre bardzo popularne algorytmy to regresja liniowa i logistyczna, najbliżsi sąsiedzi K, drzewa decyzyjne, maszyny wektorów wsparcia, losowy las itp. Za pomocą tych algorytmów złożone problemy decyzyjne mogą mieć wyczucie kierunku w oparciu o ogromną ilość danych . Aby osiągnąć tę dokładność i możliwości, należy zapewnić dodatkowe zasoby, a także czas. Uczenie maszynowe stosowane wraz ze sztuczną inteligencją i innymi technologiami jest bardziej skuteczne w przetwarzaniu informacji.
Polecane artykuły
Jest to przewodnik po typach uczenia maszynowego. Omówiliśmy tutaj koncepcję, inną metodę i inny rodzaj modelu algorytmów. Możesz także przejrzeć nasze inne Sugerowane artykuły, aby dowiedzieć się więcej -
- Techniki uczenia maszynowego
- Co to jest głębokie uczenie się
- Co to jest uczenie maszynowe?
- Wprowadzenie do uczenia maszynowego
- Uczenie maszynowe hiperparametrów