Kaj je strojno učenje?
Strojno učenje je majhno področje uporabe umetne inteligence, v katerem se stroji samodejno učijo iz operacij in se izpopolnjujejo, da bi zagotovili boljše rezultate. Na osnovi zbranih podatkov stroji težijo k izboljšanju računalniških programov, ki so usklajeni z zahtevanim izhodom. Zaradi te zmožnosti, da se stroj sam nauči, izrecnega programiranja teh računalnikov ni potrebno. Povsod je že prodrlo v naše življenje, ne da bi vedeli. Praktično vsak stroj, ki ga uporabljamo, in stroji z napredno tehnologijo, ki smo jim priča v zadnjem desetletju, vključujejo strojno učenje za izboljšanje kakovosti izdelkov. Nekaj primerov strojnega učenja so samovozeči avtomobili, napredna spletna iskanja, prepoznavanje govora.
Glavni cilj ljudi je razviti algoritem učenja strojev na način, ki pomaga strojem samodejno učiti brez kakršnega koli človeškega posredovanja. Učenje, medtem ko je odvisno od vnesenih podatkov, kjer stroji opazujejo in prepoznajo nekatere vzorce in trende. Z vsako novo podatkovno točko se razumevanje stroja izboljšuje, rezultat pa je bolj poravnan in zanesljiv. Podatki so lahko številčne vrednosti, neposredne izkušnje, slike itd., Kar prav tako prispeva k temu, kako pristopimo k vsaki težavi, ki smo jo želeli odpraviti s pomočjo strojnega učenja. Obstajajo tudi različne vrste pristopov strojnega učenja, ki temeljijo na vrsti izida, ki ga potrebujete.
Razlika med običajnim programiranjem in strojnim učenjem
Konvencionalno programiranje = Logika je programirana + Podatki so vneseni + Logika se začne izvajati na podatkih + Izhod
Strojno učenje = Podatki so vneseni + Pričakovani izhod je vnesen + Zaženite ga na stroju za treniranje algoritma od vhoda do izhoda, skratka, pustite, da ustvari svojo logiko, da doseže od vhoda do izhoda + Usposobljeni algoritem, ki se uporablja za preskusne podatke za napovedovanje
Metode strojnega učenja
Imamo štiri glavne vrste metod strojnega učenja, ki temeljijo na vrsti učenja, ki jo pričakujemo od algoritmov:
1. Nadzorovano strojno učenje
Nadzorovani algoritmi učenja se uporabljajo, ko je rezultat razvrščen ali označen. Ti algoritmi se učijo iz preteklih podatkov, ki jih vnesemo, imenujemo jih podatki o vadbi, izvaja svojo analizo in to analizo uporablja za napovedovanje prihodnjih dogodkov morebitnih novih podatkov v znanih klasifikacijah. Za natančno napovedovanje preskusnih podatkov so potrebni veliki podatki za zadostno razumevanje vzorcev. Algoritem je mogoče nadalje izučiti s primerjavo izhodov vadbe z dejanskimi in z uporabo napak za spreminjanje algoritmov.
Primer iz resničnega življenja:
- Razvrstitev slike - Algoritem je sestavljen iz napajanja z označenimi slikovnimi podatki. Algoritem je usposobljen in pričakuje se, da ga v primeru nove slike algoritem pravilno razvrsti.
- Tržna napoved - Imenujemo jo tudi regresija. Zgodovinski podatki o poslovnem trgu se napajajo v računalniku. Z algoritmom analize in regresije se napoveduje nova cena za prihodnost, odvisno od spremenljivk.
Pojdimo na naslednje glavne vrste metod strojnega učenja.
2. Nenadzorovano strojno učenje
Nenadzorovani algoritmi učenja se uporabljajo, kadar se ne zavedamo končnih rezultatov in če razvrstitev ali označeni izhodi niso na voljo. Ti algoritmi proučujejo in ustvarjajo funkcijo za opisovanje popolnoma skritih in neoznačenih vzorcev. Zato ni pravega izhoda, vendar preučuje podatke, da v neoznačenih podatkih poda neznane strukture.
Primer iz resničnega življenja:
- Grupiranje - Podatke s podobnimi lastnostmi naj algoritem združi skupaj, to skupino imenujemo grozdi. Te se izkažejo za koristne pri preučevanju teh skupin, ki jih je mogoče uporabiti za celotne podatke znotraj grozda bolj ali manj.
- Podatki visoke dimenzije - Podatki z visoko dimenzijo običajno niso enostavni za delo. S pomočjo nenadzorovanega učenja postane mogoča vizualizacija podatkov visoke dimenzije
- Generativni modeli - Ko vaš algoritem analizira in pride do porazdelitve verjetnosti vnosa, ga lahko uporabite za ustvarjanje novih podatkov. To se izkaže za zelo koristno v primerih manjkajočih podatkov.
3. Okrepitev strojnega učenja
Ta vrsta algoritma strojnega učenja uporablja preskusno in napačno metodo za izločanje rezultatov na podlagi najvišje učinkovitosti funkcije. Rezultat se primerja, da se ugotovijo napake in povratne informacije, ki se vrnejo v sistem, da se izboljša ali poveča njegova učinkovitost. Model je opremljen z nagradami, ki so v osnovi povratne informacije in kazni pri njegovem delovanju pri izvajanju določenega cilja.
4. Strojno učenje s polovičnim nadzorom
Ti algoritmi običajno uporabljajo označene in neoznačene podatke, kjer je količina neoznačenih podatkov velika v primerjavi z označenimi podatki. Ker deluje tako z med, kot med nadzorovanimi in nadzorovanimi algoritmi učenja, se zato imenuje polnadzorovano strojno učenje. Sistemi, ki uporabljajo te modele, imajo izboljšano natančnost učenja.
Primer - Arhiv slik lahko vsebuje samo nekatere podatke, npr. Pes, mačka, miš in velik kos slik ostanejo neoznačeni.
Modeli, ki temeljijo na vrsti rezultatov iz algoritmov
Spodaj so tipi modelov strojnega učenja, ki temeljijo na vrsti izhodov, ki jih pričakujemo od algoritmov:
1. Razvrstitev
Obstaja razdelitev razredov vhodov, sistem ustvari model iz podatkov o vadbi, v katerem enemu od teh razredov dodeli nove vhode.
Pada pod okrilje nadzorovanega učenja. Primer iz resničnega življenja je lahko filtriranje neželene pošte, kjer so e-poštna sporočila vhodni podatki, ki so razvrščeni kot "neželena pošta" ali "neželena pošta".
2. Regresija
Regresijski algoritem je tudi del nadzorovanega učenja, vendar je razlika v tem, da so izhodi neprekinjene spremenljivke in niso diskretni.
Primer - napovedovanje cen stanovanj z uporabo preteklih podatkov
3. Zmanjšanje dimenzij
Ta vrsta strojnega učenja je povezana z analizami vhodov in njihovo zmanjševanje na samo ustrezne, ki jih lahko uporabimo za razvoj modela. Izbira lastnosti, tj izbira vhoda in ekstrakcija funkcij, sta nadaljnji temi, ki ju je treba upoštevati za boljše razumevanje zmanjšanja dimenzij.
Na podlagi zgornjih različnih pristopov je treba upoštevati različne algoritme. Nekateri zelo pogosti algoritmi so linearna in logistična regresija, K-najbližji sosedje, odločitvena drevesa, podporni vektorski stroji, naključni gozd itd. S pomočjo teh algoritmov lahko zapleteni problemi odločanja občutijo smer, ki temelji na ogromni količini podatkov . Da bi dosegli to natančnost in priložnosti, je treba zagotoviti dodatna sredstva in čas. Strojno učenje, ki se uporablja skupaj z umetno inteligenco in drugimi tehnologijami, je učinkovitejše za obdelavo informacij.
Priporočeni članki
To je vodnik za Vrste strojnega učenja. Tu smo razpravljali o konceptu, drugačni metodi in različnih vrstah algoritmov. Če želite izvedeti več, lahko preberete tudi druge naše predlagane članke -
- Tehnike strojnega učenja
- Kaj je globoko učenje
- Kaj je strojno učenje?
- Uvod v strojno učenje
- Strojno učenje hiperparametrov