Ce este învățarea automată?
Învățarea mașinii este o mică zonă de aplicare a Inteligenței artificiale în care mașinile învață automat din operațiuni și se finește pentru a da rezultate mai bune. Pe baza datelor colectate, mașinile tind să lucreze la îmbunătățirea programelor de calculator aliniat la ieșirea necesară. Datorită acestei abilități a unei mașini de a învăța de la sine, nu este necesară o programare explicită a acestor computere. El deja s-a scufundat în viața noastră peste tot, fără ca noi să știm. Practic, fiecare mașină pe care o folosim și mașinile tehnologice avansate la care asistăm în ultimul deceniu au încorporat învățarea mașinilor pentru îmbunătățirea calității produselor. Câteva exemple de învățare automată sunt mașinile cu autovehicule, căutări avansate pe web, recunoașterea vorbirii.
Scopul principal al oamenilor este de a dezvolta algoritmul de învățare al mașinilor într-un mod care să ajute mașinile să învețe automat fără niciun fel de intervenție umană. Învățarea depinde de datele care sunt introduse, unde mașinile respectă și recunosc unele modele și tendințe. Cu fiecare nou punct de date, înțelegerea mașinii se îmbunătățește, iar ieșirea este mai aliniată și mai fiabilă. Datele pot fi valori numerice, experiențe directe, imagini etc., care contribuie, de asemenea, la modul în care abordăm orice problemă pe care am dorit să o rezolvăm cu ajutorul învățării automate. De asemenea, există diferite tipuri de abordări de învățare automată în funcție de tipul de ieșire de care aveți nevoie.
Diferența dintre programarea convențională și învățarea automată
Programare convențională = Logica este programată + Datele sunt introduse + Logica este rulată pe date + Ieșire
Învățarea mașinii = datele sunt introduse + ieșirea preconizată este introdusă + executați-o pe mașină pentru a antrena algoritmul de la intrare la ieșire, pe scurt, permiteți-i să creeze propria logică pentru a ajunge de la intrare la ieșire + algoritm instruit utilizat pe datele de testare pentru predicție
Metode de învățare a mașinilor
Avem patru tipuri principale de metode de învățare automată bazate pe tipul de învățare pe care îl așteptăm de la algoritmi:
1. Învățarea mașinii supravegheate
Algoritmii de învățare supervizați sunt folosiți atunci când rezultatul este clasificat sau etichetat. Acești algoritmi învață din datele anterioare care sunt introduse, numite date de instruire, își execută analiza și folosește această analiză pentru a prezice evenimentele viitoare ale datelor noi din clasificările cunoscute. Predicția exactă a datelor de testare necesită date mari pentru a înțelege suficient modelele. Algoritmul poate fi instruit în continuare comparând rezultatele instruirii cu cele reale și folosind erorile pentru modificarea algoritmilor.
Exemplu din viața reală:
- Clasificare imagine - Algoritmul este extras din alimentarea cu date de imagine etichetate. Un algoritm este instruit și este de așteptat ca în cazul noii imagini algoritmul să îl clasifice corect.
- Predicția pieței - se mai numește regresie. Datele istorice ale pieței afacerilor sunt furnizate computerului. Cu algoritmul de analiză și regresie, se prevede un nou preț pentru viitor, în funcție de variabile.
Să trecem la următoarele tipuri principale de Metode de învățare a mașinilor.
2. Învățarea mașinii nesupravegheate
Algoritmii de învățare nesupravegheați sunt folosiți atunci când nu suntem conștienți de rezultatele finale, iar rezultatele de clasificare sau etichetate nu sunt la dispoziția noastră. Acești algoritmi studiază și generează o funcție pentru a descrie tipare complet ascunse și fără etichetare. Prin urmare, nu există o ieșire corectă, dar studiază datele pentru a da structuri necunoscute în date fără etichetare.
Exemplu din viața reală:
- Clustering - Datele cu trăsături similare li se cere să se grupeze prin algoritm, această grupare se numește cluster. Acestea se dovedesc de ajutor în studiul acestor grupuri care pot fi aplicate pe toate datele dintr-un grup mai mult sau mai puțin.
- Date de înaltă dimensiune - în mod normal, datele cu dimensiuni înalte nu sunt ușor de utilizat. Cu ajutorul învățării nesupravegheate, vizualizarea datelor de înaltă dimensiune devine posibilă
- Modele generative - Odată ce algoritmul dvs. analizează și vine cu distribuția probabilităților de intrare, acesta poate fi utilizat pentru a genera date noi. Acest lucru se dovedește a fi foarte util în cazurile de date lipsă.
3. Învățarea mașinilor de consolidare
Acest tip de algoritm de învățare automată folosește metoda de încercare și eroare pentru a produce ieșirea bazată pe cea mai mare eficiență a funcției. Producția este comparată pentru a afla erori și feedback care sunt transmise sistemului pentru a îmbunătăți sau a maximiza performanțele acestuia. Modelul este prevăzut cu recompense care sunt practic feedback și pedepse în operațiunile sale, în timp ce îndeplinesc un anumit obiectiv.
4. Învățare automată semi-supravegheată
Acești algoritmi angajează în mod obișnuit date etichetate și nemarcate, în cazul în care cantitatea de date fără etichetare este mare în comparație cu datele etichetate. Deoarece funcționează atât cu algoritmi de învățare supravegheați cât și ne supervizați, prin urmare se numește învățare automată semi-supravegheată. Sistemele care folosesc aceste modele au o precizie de învățare îmbunătățită.
Exemplu - Arhiva de imagini poate conține doar unele dintre datele sale etichetate, de ex. Câinele, pisica, mouse-ul și o bucată mare de imagini rămân fără etichetă.
Modele bazate pe tipul de ieșiri din algoritmi
Mai jos sunt tipurile de modele de învățare a mașinilor bazate pe tipul de rezultate pe care le așteptăm de la algoritmi:
1. Clasificare
Există o diviziune de clase de intrări, sistemul produce un model din datele de instruire în care atribuie noi intrări uneia dintre aceste clase
Se încadrează sub umbrela învățării supravegheate. Exemplu din viața reală poate fi filtrarea spamului, unde e-mailurile sunt inputul care este clasificat drept „spam” sau „nu este spamat”.
2. Regresie
Algoritmul de regresie este, de asemenea, o parte a învățării supravegheate, dar diferența este că rezultatele sunt variabile continue și nu discrete.
Exemplu - Prezicarea prețurilor locuințelor folosind date anterioare
3. Reducerea dimensionalității
Acest tip de Mașină de învățare este legat de analizele intrărilor și reducerea acestora la cele relevante numai pentru a fi utilizate pentru dezvoltarea modelului. Selectarea caracteristicilor, adică selecția de intrare și extragerea caracteristicilor sunt subiecte suplimentare necesare pentru a înțelege mai bine reducerea dimensionalității.
Pe baza diferitelor abordări de mai sus, există numeroși algoritmi care trebuie luați în considerare. Unii algoritmi foarte comuni sunt regresia liniară și logistică, vecinii cei mai apropiați de K, arbori de decizie, mașini de susținere a vectorului, pădure aleatoare, etc. Cu ajutorul acestor algoritmi, problemele de decizie complexe pot avea un sentiment de direcție bazat pe o cantitate uriașă de date. . Pentru a obține această precizie și oportunități, trebuie să fie furnizate resurse adăugate, precum și timp. Învățarea automată folosită împreună cu inteligența artificială și alte tehnologii este mai eficientă pentru procesarea informațiilor.
Articole recomandate
Acesta a fost un ghid pentru Tipurile de învățare a mașinilor. Aici am discutat Conceptul, Metoda diferită și diferit tip de model pentru algoritmi. De asemenea, puteți parcurge și celelalte articole sugerate pentru a afla mai multe -
- Tehnici de învățare a mașinilor
- Ce este învățarea profundă
- Ce este învățarea automată?
- Introducere în învățarea mașinilor
- Hyperparameter Machine Learning