Що таке машинне навчання?
Машинне навчання - це невелика область застосування Штучного інтелекту, в якій машини автоматично вчаться в операціях і вдосконалюють себе, щоб дати кращі результати. Спираючись на зібрані дані, машини прагнуть працювати над вдосконаленням комп’ютерних програм, вирівнюючи необхідний вихід. Завдяки такій здатності машини самостійно вчитися, явне програмування цих комп'ютерів не потрібно. Він уже проник у наше життя скрізь, не знаючи нас. Практично кожна машина, якою ми користуємось, та передові технології машин, до яких ми спостерігаємо в останнє десятиліття, включають машинне навчання для підвищення якості продукції. Деякі приклади машинного навчання - це самостійне керування автомобілями, розширений пошук в Інтернеті, розпізнавання мови.
Основна мета людини полягає в розробці алгоритму навчання машин таким чином, щоб він допомагав машинам навчатися автоматично без будь-якого втручання людини. Навчання, тоді як залежить від даних, що надходять, де машини спостерігають і розпізнають деякі закономірності та тенденції. З кожною новою точкою даних розуміння машини покращується, а вихід стає більш вирівняним та надійним. Дані можуть бути числовими значеннями, прямим досвідом, зображеннями тощо, що також сприяє тому, як ми підходимо до будь-якої проблеми, яку хотіли вирішити за допомогою машинного навчання. Також існують різні типи підходів до машинного навчання, виходячи з потрібного типу результатів.
Різниця між звичайним програмуванням і машинним навчанням
Звичайне програмування = Логіка запрограмована + Дані вводяться + Логіка запускається на дані + Вихідні дані
Машинне навчання = Дані вводяться + Очікуваний вихід вводиться + Запустіть його на машині для тренування алгоритму від введення до виходу, коротше кажучи, нехай він створює власну логіку, щоб досягти від введення до виходу + Тренований алгоритм, який використовується для тестових даних для прогнозування
Методи машинного навчання
У нас є чотири основні типи методів машинного навчання, засновані на типі навчання, якого ми очікуємо від алгоритмів:
1. Контрольоване машинне навчання
Алгоритми навчання під контролем використовуються, коли вихід класифікується або маркується. Ці алгоритми вивчають минулі дані, які вводяться, називаються навчальними даними, виконують свій аналіз і використовують цей аналіз для прогнозування майбутніх подій будь-яких нових даних у межах відомих класифікацій. Точне прогнозування тестових даних вимагає великих даних для достатнього розуміння закономірностей. Алгоритм можна навчати далі, порівнюючи результати навчання з фактичними та використовуючи помилки для модифікації алгоритмів.
Приклад із реального життя:
- Класифікація зображень - Алгоритм складається з подачі мічених даних зображення. Алгоритм підготовлений, і очікується, що у випадку нового зображення алгоритм його класифікує правильно.
- Прогнозування ринку - його ще називають регресією. Дані про історичний ринок бізнесу подаються на комп'ютер. За допомогою алгоритму аналізу та регресії прогнозується нова ціна на майбутнє залежно від змінних.
Перейдемо до наступних основних видів методів машинного навчання.
2. Непідконтрольне машинне навчання
Алгоритми навчання без нагляду використовуються тоді, коли ми не знаємо про кінцеві результати, і класифікація або марковані результати не є в нашому розпорядженні. Ці алгоритми вивчають і генерують функцію для опису повністю прихованих і не маркованих шаблонів. Отже, немає правильного результату, але він вивчає дані, щоб виділити невідомі структури в неозначених даних.
Приклад із реального життя:
- Кластеризація - дані з подібними ознаками пропонують згрупувати за алгоритмом, це групування називається кластерами. Вони виявляються корисними у дослідженні цих груп, які можуть бути застосовані до всіх даних у кластері більш-менш.
- Дані з високим розміром - З великими розмірними даними, як правило, непросто працювати. За допомогою непідконтрольного навчання стає можливою візуалізація даних високого виміру
- Генеративні моделі - Після того, як ваш алгоритм аналізує і придумує розподіл ймовірностей вхідних даних, його можна використовувати для отримання нових даних. Це виявляється дуже корисним у випадках відсутності даних.
3. Підсилення машинного навчання
Цей тип алгоритму машинного навчання використовує метод проб і помилок для відтворення результатів на основі найвищої ефективності функції. Вихід порівнюється для виявлення помилок та зворотного зв’язку, які подаються в систему, щоб поліпшити або максимізувати її продуктивність. Модель забезпечується винагородою, яка в основному є зворотним зв'язком і покаранням за її діяльність під час виконання певної мети.
4. Напівконтрольне машинне навчання
Ці алгоритми, як правило, беруть мічені та незазначені дані, де кількість маркованих даних є великою порівняно з міченими даними. Оскільки він працює як з алгоритмами, так і між алгоритмами навчання під наглядом і тому, це називається напівконтрольним машинним навчанням. Системи, що використовують ці моделі, мають покращену точність навчання.
Приклад - Архів зображень може містити лише деякі дані, позначені міткою, наприклад. Собака, кішка, миша та великий шматок зображень залишаються без маркування.
Моделі на основі виду виходів з алгоритмів
Нижче наведено типи моделей машинного навчання на основі виходів, які ми очікуємо від алгоритмів:
1. Класифікація
Існує поділ класів входів, система виробляє модель з навчальних даних, де вона призначає нові входи одному з цих класів
Це підпадає під парасольку контрольованого навчання. Прикладом реального життя може бути фільтрування спаму, де електронні листи - це вхід, який класифікується як "спам" або "не спам".
2. Регресія
Алгоритм регресії також є частиною контрольованого навчання, але різниця полягає в тому, що результати є неперервними змінними, а не дискретними.
Приклад - прогнозування цін на житло за допомогою попередніх даних
3. Зменшення розмірності
Цей тип машинного навчання пов'язаний з аналізом вхідних даних і зведенням їх лише до відповідних, які будуть використані для розробки моделі. Вибір особливостей, тобто вибір вхідних даних та вилучення функцій, - це додаткові теми, які необхідно розглянути для кращого розуміння зменшення розмірності.
На основі вищезазначених різних підходів існують різні алгоритми, які слід враховувати. Деякі дуже поширені алгоритми: лінійна та логістична регресія, K-найближчі сусіди, дерева рішень, векторні машини підтримки, випадковий ліс і т. Д. За допомогою цих алгоритмів складні проблеми рішення можуть мати відчуття спрямованості на основі величезної кількості даних . Для досягнення цієї точності та можливостей потрібно забезпечити додаткові ресурси, а також час. Машинне навчання, що використовується разом із Штучним інтелектом та іншими технологіями, є більш ефективним для обробки інформації.
Рекомендовані статті
Це був посібник щодо видів машинного навчання. Тут ми обговорили концепцію, різний метод та іншу модель для алгоритмів. Ви також можете ознайомитися з іншими запропонованими нами статтями, щоб дізнатися більше -
- Методи машинного навчання
- Що таке глибоке навчання
- Що таке машинне навчання?
- Вступ до машинного навчання
- Гіперпараметр машинного навчання