Машинное обучение, являющееся подмножеством ИИ (искусственного интеллекта), используется в основном для разработки систем, которые будут обучаться и делать прогнозы на основе заданного поведения или характеристик данных.
Это может звучать более технично, верно? Позвольте мне быть проще. Думайте об этом как об игре в крикет, где игроки с битой тренируются на манекене доставки / тренировочном матче и узнают, как справляться с конкретной подачей / моментом ноги / как оставить мяч и так далее, и использовать все эти знания во время реального матча. Точно так же, используя ML, мы разрабатываем определенные модели, которые будут учиться на заданном наборе данных поезда и использовать/выполнять определенные необходимые действия с фактическим набором данных.
Как это работает? — Как упоминалось выше, алгоритм машинного обучения обучается с использованием заданного набора данных поезда для создания модели, новые тестовые данные будут введены в модель для выполнения определенной задачи. Затем производительность оценивается на основе таких аспектов, как точность, достоверность и полнота.
Машинное обучение — типы:
- Контролируемое обучение: предскажите следующее значение. Пример: а) Регрессия б) Классификация
- Неконтролируемое обучение: управление данными. Пример: a) Кластеризация b) Уменьшение размерности
- Обучение с подкреплением: учиться на ошибках. Пример: Решения в реальном времени, Игры, Учебные задачи, Навигация роботов.
Это интересный и обширный предмет для изучения, и в процессе обучения можно получить массу удовольствия.
