Introducere în tipuri de algoritmi de învățare a mașinilor
Tipurile de algoritmi de învățare automată sau calculele AI sunt programe (matematica și rațională) care se modifică pentru a funcționa mai bine pe măsură ce sunt prezentate la mai multe informații. „Adaptarea” unei porțiuni de AI implică faptul că acele proiecte schimbă modul în care procesează informațiile după ceva timp, la fel cum oamenii schimbă modul în care procesează informațiile învățând. Deci, un învățare automată sau un calcul AI este un program cu o anumită metodă de schimbare a parametrilor proprii, având în vedere critici cu privire la așteptările sale anterioare de a face expoziții cu privire la un set de date.
Toate tipurile de algoritmi de învățare a mașinilor
Anumite varietăți ale lor de a caracteriza tipurile de tipuri de algoritmi de învățare a mașinilor, dar pot fi împărțite în clase în funcție de motivația lor, iar clasificările fundamentale sunt însoțitoare:
- Învățare supravegheată
- Învățare nesupravegheată
- Învățare semi-supravegheată
- Consolidarea învățării
Ce este învățarea supravegheată
Învățarea supravegheată este, unde puteți considera că învățarea este ghidată de un instructor. Avem un set de date care se desfășoară ca educator, iar misiunea lui este să pregătească modelul sau mașina. Când modelul se pregătește, poate începe să se bazeze pe o așteptare sau o alegere atunci când i se oferă noi informații.
Exemplu de învățare supravegheată:
- Obțineți o mulțime de fotografii cu date despre ce este pe ele și după aceea, antrenați un model pentru a percepe noi fotografii.
- Aveți o mulțime de date despre prețurile locuințelor în funcție de dimensiunea și locația lor și o introduceți în model și o antrenați, apoi puteți prezice prețul altor case pe baza datelor pe care le furnizați.
- dacă vrei să prezici că mesajul tău este spam sau nu bazat pe un mesaj mai vechi pe care îl ai, poți prezice că un mesaj nou este spam sau nu.
Algoritmul de învățare supravegheat este următorul:
1) Regresie liniară
regresia liniară este valoroasă pentru descoperirea conexiunii dintre doi factori persistenți. Unul este un predictor sau o variabilă autonomă, iar celălalt este o reacție sau o variabilă Ward. Se caută o relație măsurabilă, însă nu o relație deterministă. Se spune că legătura dintre doi factori este deterministă cu șansa ca o variabilă să fie comunicată cu precizie de către celălalt. De exemplu, folosind temperatura în grad Celsius, este posibil să se prevadă cu exactitate Fahrenheit. Relația faptică nu este precisă în a decide o conexiune între doi factori. De exemplu, conexiunea undeva în intervalul de înălțime și greutate. Gândul de centru este să obții o linie care se potrivește cel mai bine informațiilor. Cea mai potrivită linie este cea pentru care o gafă de prognoză totală (toate focalizarea informațiilor) este cât se poate de așteptat în circumstanțe. Greșeala este separarea dintre punctul de pe linia de regresie.
2) Arbori de decizie
Un arbore de decizii este un gadget de ajutor de decizie care folosește o diagramă sau un model de decizie asemănător arborelui și rezultatele potențiale ale acestora, inclusiv rezultatele evenimentelor întâmplătoare, costurile resurselor și utilitatea. Explorați imaginea pentru a avea un sentiment de ceea ce seamănă.
3) Clasificarea Naive Bayes
Clasificarea Naive Bayes este un grup de clasificatori probabilistici de bază, dependenți de aplicarea teoriei lui Bayes cu o guvernare puternică (nesofisticată) de autoguvernare, caracteristicile Naive Bayes. Această clasificare Unele dintre modelele certificabile sunt:
Pentru a imprima un e-mail ca spam sau nu spam
Comandați o știre despre inovație, probleme guvernamentale sau sport
Verificați o notă de substanță care transmite emoții pozitive sau sentimente negative?
Folosit pentru programarea recunoașterii feței.
4) Regresie logistică
Regresia logistică este o metodă faptică de ultimă generație pentru demonstrarea unui rezultat binomial cu cel puțin un factor informativ. Cuantifică legătura dintre variabila de secțiune absolută și cel puțin un factor liber, evaluând probabilitățile care utilizează o capacitate logistică, care este creditul logistic combinat.
În mod normal, regresiile vor fi utilizate în viața reală precum:
Scorul de credit
Măsura ratei de succes a pieței sau companiei
Pentru a prezice veniturile oricărei companii sau orice produs
Există vreun cutremur în orice zi?
5) Regresiunea pătratelor obișnuite
Cele mai mici pătrate este o strategie pentru efectuarea regresiei directe. regresia directă este angajarea de a încadra o linie printr-o mulțime de focalizări. Există diverse proceduri potențiale pentru a face acest lucru și sistemul „obișnuit cu pătratele mici” merge astfel: Puteți desena o linie și, după aceea, pentru toate centrele de date, măsurați detașarea verticală între punct și linie și încorporați-le sus; linia montată ar fi locul în care acest agregat de partiții este la fel de slab pe cât ar putea fi normal în lumina situației actuale.
Ce este învățarea nesupravegheată?
Modelul învață prin percepție și descoperă structuri din informație. Când modelului i se oferă un set de date, acesta descoperă, în consecință, exemple și conexiuni în setul de date, realizând buchete în el. Ceea ce nu poate face este să adăugați mărci la buchet, similar cu faptul că nu poate afirma acest lucru o adunare de mere sau mango, cu toate acestea, va izola fiecare dintre mere de mango.
Presupunem că am afișat imagini cu mere, banane și mango modelului, deci ceea ce face, având în vedere anumite exemple și conexiuni, face buchete și partiționează setul de date în acele grupuri. În prezent, dacă o altă informație este consolidată modelului, aceasta o adaugă la unul dintre buchetele făcute.
Exemplu de învățare nesupravegheată
- Aveți încă o mulțime de fotografii ale 6 persoane, fără date despre cine se află și trebuie să izolați acest set de date în 6 mormane, fiecare cu fotografiile unei persoane.
- Aveți particule, o parte din ele sunt medicamente și o parte nu este totuși nu vă dați seama care va fi care și aveți nevoie de calcul pentru a găsi medicamentele.
Algoritmul de învățare nesupravegheat este următorul
clustering
Clustering-ul este o idee semnificativă în ceea ce privește învățarea neajunsă. În cea mai mare parte, reușește să găsească o structură sau un exemplu într-o adunare de informații necategorizate. Calculele de clustering vă vor prelucra informațiile și vor descoperi grupuri (grupuri) caracteristice în cazul în care acestea există în informații. De asemenea, puteți modifica ce număr de buchete trebuie să distingă calculele. Vă permite să modificați granularitatea acestor adunări.
Puteți utiliza diverse tipuri de clustering
- Selectiv (repartizare)
- Model: K-means
- aglomerativ
- Model: Gruparea ierarhică
- Acoperire
- Model: Fuzzy C-Means
- probabilistica
Tipuri de algoritmi de clustering
- Gruparea ierarhică
- K-înseamnă clustering
- K-NN (k vecinii cei mai apropiați)
- Analiza componentelor principale
- Descompunerea valorii solitare
- Analiza componentelor independente
- Gruparea Ierarhică
Gruparea Ierarhică
Gruparea ierarhică este un calcul care construiește o ordine de grupare pecking. Începe cu fiecare informație care este distribuită pentru propriul lor grup. Aici, două grupuri apropiate vor fi într-un grup similar. Acest calcul se închide atunci când a mai rămas doar un grup.
K-înseamnă Clustering
K înseamnă că este un calcul iterativ de grup care te încurajează să localizezi cel mai de remarcat stimulent pentru fiecare accent. La început, se alege numărul ideal de grupuri. În această tehnică de clustering, trebuie să grupați informațiile care se concentrează pe k reunire. Un k mai mare înseamnă adunări mai mici cu o granularitate mai mare în mod similar. Un k inferior înseamnă adunări mai mari, cu mai puțin granularitate.
Randamentul calculului este o culegere de „nume”. Acesta permite informații să indice una dintre cele k reuniri. În clustering k-înseamnă, fiecare adunare este caracterizată prin realizarea unui centroid pentru fiecare adunare. Centroidele sunt ca miezul buchetului, care prinde focalizările cele mai apropiate de ele și le adaugă grupului.
Gruparea în medii K caracterizează în continuare două subgrupuri
- Gruparea aglomerativă
- dendrogram
Gruparea aglomerativă
Acest tip de clustering K-înseamnă începe cu un număr fix de buchete. Acesta desemnează toate informațiile într-un număr precis de grupuri. Această strategie de clustering nu necesită numărul de grupuri K ca informații. Procedura de aglomerare începe prin modelarea fiecărei date ca un buchet solitar.
Această strategie utilizează unele măsuri de separare, reduce numărul de buchete (unul din fiecare accent) prin combinarea procesului. În concluzie, avem un grup major care conține fiecare articol.
dendrogram
În tehnica de clustering Dendrogram, fiecare nivel va vorbi cu o grămadă de conceput. Înălțimea dendrogramului demonstrează gradul de similitudine între două buche de unire. Cu cât sunt mai aproape de baza procedurii, acestea sunt comparabile progresiv, ceea ce constată adunarea din dendrograma care nu este caracteristică și, în cea mai mare parte, abstractă.
K-Vecinii apropiați
Cel mai apropiat vecin K este cel mai simplu dintre toate clasificatoarele AI. Acesta variază de la alte proceduri AI, prin faptul că nu oferă un model. Este un calcul simplu care stochează fiecare caz accesibil și caracterizează noi exemple care depind de o măsură similară.
Funcționează foarte bine atunci când există o separare între modele. Rata de învățare este moderată atunci când setul de pregătire este enorm, iar cifra de separare este inutilă.
Analiza componentelor principale
Șansa de a avea nevoie de un spațiu de dimensiuni superioare. Trebuie să alegeți un motiv pentru spațiul respectiv și doar cele mai importante 200 de note ale acestei premise. Această bază este cunoscută ca o componentă principală. Subsetul pe care îl selectați include este un alt spațiu care are dimensiuni reduse în contrast cu spațiul unic. Acesta păstrează totuși multifacetele informațiilor, așa cum s-ar putea aștepta.
Ce este învățarea de armare?
Este capacitatea unui specialist de a colabora cu pământul și de a descoperi care este cel mai bun rezultat. Urmărește ideea de hit și tehnică preliminară. Operatorul este remunerat sau pedepsit cu un punct pentru un răspuns corect sau în afara bazei, iar pe baza valorilor pozitive ale recompenselor preluate însuși trenurile model. De asemenea, din nou pregătită, se pregătește să prevadă noile informații care i-au fost introduse.
Exemplu de învățare la armare
- Afișarea anunțurilor, în funcție de dorințele utilizatorului, se optimizează pentru o perioadă lungă de timp
- Cunoșteți bugetul pentru anunțuri utilizat în timp real
- învățarea de consolidare inversă pentru a cunoaște mai bine clienții că nu le place
Ce este învățarea semi-supravegheată?
Învățare semi-supravegheată, calculul este pregătit pe un amestec de informații numite și nerefuzate. În mod normal, acest amestec va conține o cantitate limitată de informații numite și o mulțime de informații fără marcă. Metoda fundamentală inclusă este aceea că, mai întâi, inginerul software va grupa informații comparabile folosind un calcul de învățare neajutat și apoi va utiliza informațiile curente numite pentru a numi celelalte informații fără marcă. Instanțele de utilizare obișnuite de acest tip de calcul au o proprietate tipică între ele - Obținerea de informații nemarcate este, în general, modestă, în timp ce denumirea respectivei informații este peste cea mai scumpă. În mod firesc, se poate avea în vedere cele trei tipuri de calcule de învățare, întrucât realizarea supravegheată în cazul în care o subestimare este sub supravegherea unui instructor atât acasă, cât și la școală; educatorul arată câteva idei în clasă și oferă întrebări ca activități școlare care depind de idei comparabile.
Exemplu de învățare semi-supravegheată
Este remarcabil faptul că mai multe informații = modele de calitate mai bună în învățarea profundă (în mod clar, până la un anumit punct de limitare, dar mai des, nu avem atât de multe informații.) Fiind așa posibil, obținerea unei informații marcate este costisitoare. În cazul în care trebuie să pregătiți un model care să distingă animalele cu aripi, puteți configura o mulțime de camere pentru a face fotografii cu păsări. În general, acest lucru este modest. Contractarea persoanelor fizice pentru a marca acele fotografii este costisitoare. Luați în considerare posibilitatea de a avea un număr enorm de imagini cu animale înaripate, însă contractați doar persoane care să marcheze un mic subset de fotografii. După cum s-a dovedit, în loc să antrenați pur și simplu modelele de pe subsetul marcat, puteți antrena modelul pe întregul set de antrenament, înainte de a-l regla cu subsetul numit și veți arăta semne de execuție de îmbunătățire de-a lungul acestor linii. Aceasta este învățarea semi-supravegheată. Acesta pune la o parte banii.
Concluzie
Există multe tipuri de algoritm de învățare automată și există pe baza unor condiții diferite, trebuie să utilizăm algoritmul cel mai potrivit pentru cel mai bun rezultat. Există mulți algoritmi care găsesc cea mai bună acuratețe a fiecărui tip de algoritm de învățare a mașinilor și care este cea mai înaltă precizie pe care trebuie să o utilizăm. Putem minimiza eroarea fiecărui algoritm prin reducerea zgomotului în date. În cele din urmă, voi spune că nu există un singur algoritm de învățare a mașinii care să vă ofere o precizie de 100 la sută, chiar și creierul uman nu poate face asta, astfel încât să găsiți cel mai bun algoritm de brad pentru datele dvs.
Articole recomandate
Acesta este un ghid pentru Tipuri de algoritmi de învățare a mașinilor. Aici discutăm Ce este algoritmul de învățare automată ?, iar tipurile sale includ învățarea supravegheată, învățarea nesupervizată, învățarea semi-supravegheată, învățarea de consolidare. De asemenea, puteți consulta următoarele articole pentru a afla mai multe -
- Metode de învățare a mașinilor
- Biblioteci de învățare automată
- Modele de învățare a mașinilor
- Cadre de învățare automată
- Hyperparameter Machine Learning
- Gruparea Ierarhică | Gruparea aglomerativă și divizivă
- Creați arborele de decizii | Cum se creează | avantaje
- Ciclul de viață al învățării mașinilor | Top 8 etape