Прочтите вводный список алгоритмов машинного обучения.

«Машинный интеллект - последнее изобретение, которое когда-либо понадобится человечеству».
- Ник Бостром.

Если бы вы могли оглянуться пару лет назад на состояние ИИ и сравнить его с его нынешним состоянием, вы были бы шокированы, обнаружив, насколько экспоненциально он рос с течением времени.

Он разделен на множество доменов, таких как ML, Expert Systems, NLP и многие другие.

Хотя идея искусственного интеллекта заключается в создании более умных систем, которые думают и работают сами по себе, их все еще нужно обучать.

Область искусственного интеллекта в машинном обучении была создана для очень точной цели, предлагая несколько алгоритмов, позволяющих более плавно обрабатывать данные и принимать решения.

Что такое алгоритмы машинного обучения?

Алгоритмы машинного обучения - это мозг любой модели, позволяющий машинам учиться, делая их умнее.

Эти алгоритмы работают так: им предоставляется начальный пакет данных, и со временем, по мере того, как алгоритмы повышают свою точность, в набор добавляются дополнительные данные.

Этот процесс регулярного ознакомления с алгоритмом новых данных и опыта повышает общую эффективность машины.

Алгоритмы машинного обучения жизненно важны для множества задач, связанных с классификацией, прогнозным моделированием и анализом данных.

«Прорыв в машинном обучении стоил бы десяти Microsoft».
- Билл Гейтс

Типы алгоритмов машинного обучения

В этом разделе мы сосредоточимся на различных типах существующих алгоритмов машинного обучения. Три основных парадигмы алгоритмов машинного обучения:

● Контролируемое обучение

Как следует из названия, контролируемые алгоритмы работают, определяя набор входных данных и ожидаемых результатов. За счет итеративного выполнения функции над обучающими данными и привлечения пользователя для введения параметров управления модель улучшается. Алгоритм считается успешным, если его сопоставления и прогнозы оказываются верными.

● Обучение без учителя

В то время как контролируемые алгоритмы работают с помеченными пользователем данными для прогнозирования результатов, эти обучающие машины явно обучаются на немаркированных данных практически без участия пользователя.

Алгоритмам предоставляются данные для их классификации и группировки для выявления некоторых скрытых или неоткрытых закономерностей, что часто используется в качестве предварительного шага для обучения с учителем.

● Обучение с подкреплением

Алгоритмы обучения с подкреплением стремятся найти идеальный баланс между исследованием и эксплуатацией, не требуя помеченных данных или вмешательства пользователя.

Эти алгоритмы работают, выбирая действие и наблюдая за последствиями, на основании чего он узнает, насколько оптимален результат. Этот процесс повторяется снова и снова, пока алгоритм не разовьется и не выберет правильную стратегию.

Лучшие алгоритмы машинного обучения

Ознакомившись с несколькими типами алгоритмов машинного обучения, прочтите некоторые из популярных.

1. Линейная регрессия

Линейная регрессия - это контролируемый алгоритм машинного обучения, который помогает найти подходящее приблизительное линейное соответствие набору точек.

По своей сути линейная регрессия - это линейный подход к определению взаимосвязи между двумя переменными, при этом одно из этих значений является зависимым значением, а другое - независимым.

Идея состоит в том, чтобы понять, как изменение одной переменной влияет на другую, приводя к отношениям, которые могут быть как положительными, так и отрицательными.

Эта линия известна как линия регрессии и представлена ​​линейным уравнением Y = a * X + b.

В этом уравнении:

  • Y - зависимая переменная
  • а - Наклон
  • X - Независимая переменная
  • б - Перехват

Этот алгоритм применяется в случаях, когда прогнозируемый результат является непрерывным и имеет постоянный наклон, например:

  • Оценка продаж
  • Оценка риска
  • Анализ погодных данных
  • Прогностическая аналитика
  • Анализ результатов опроса клиентов
  • Оптимизация цен на товары

Полезные ссылки:

2. Логистическая регрессия

Алгоритм логистической регрессии часто используется в задачах двоичной классификации, где события в этих случаях обычно приводят к одному из двух значений: пройден или не пройден, истина или ложь.

Он лучше всего подходит для ситуаций, когда необходимо предсказать вероятности того, что зависимая переменная попадет в одну из двух категорий ответа.

Типичные варианты использования этого алгоритма - определить, соответствует ли данный почерк рассматриваемому человеку, будут ли цены на нефть расти в ближайшие месяцы.

В общем, регрессии можно использовать в реальных приложениях, таких как:

  • Кредитный скоринг
  • Обнаружение рака
  • Обработка географических изображений
  • Распознавание почерка
  • Сегментация и категоризация изображений
  • Измерение успешности маркетинговых кампаний
  • Прогнозирование доходов от определенного продукта
  • Произойдет ли в определенный день землетрясение?

Полезные ссылки:

3. Деревья решений

Алгоритм дерева решений находится под управлением машинного обучения и используется для решения задач регрессии и классификации. Цель состоит в том, чтобы использовать дерево решений для перехода от наблюдений к результатам обработки на каждом уровне.

Обработка деревьев решений - это нисходящий подход, при котором наиболее подходящий атрибут из обучающих данных выбирается в качестве корня, и процесс повторяется для каждой ветви. Деревья решений обычно используются для:

  • Создание платформ управления знаниями
  • Выбор рейса для путешествия
  • Прогнозирование дат высокой загруженности отелей
  • Подскажите покупателю, какую машину купить
  • Прогнозирование прогнозов и определение возможностей в различных областях

Полезные ссылки:

4. Алгоритм априорного машинного обучения

Это алгоритм, лежащий в основе популярной системы рекомендаций под названием «Вам также может понравиться» на нескольких онлайн-платформах.

Он работает путем поиска общих наборов элементов в наборах данных, а затем строит на них ассоциации.

Обычно он используется для интеллектуального анализа наборов элементов и изучения правил ассоциации из реляционных баз данных.

Идея этого алгоритма состоит в том, чтобы продолжать расширять связанные элементы до более широкого набора, чтобы создать более полезную ассоциацию.

Приложения для этого алгоритма включают выделение тенденций покупок на рынке.

Более того, его проще реализовать и его можно использовать с большими наборами данных.

5. Наивный байесовский

Наивные байесовские классификаторы относятся к категории высокоэффективных контролируемых алгоритмов машинного обучения и являются одной из простейших моделей байесовской сети.

Он работает, применяя теорему Байеса к данным с наивным предположением об условной независимости между каждой парой функций с учетом значения переменной класса.

Проще говоря, это помогает найти вероятность того, что событие А произойдет, учитывая, что событие В произошло. Наивный Байес лучше всего подходит для -

  • Фильтрация спам-сообщений
  • Системы рекомендаций, такие как Netflix
  • Классифицируйте новостную статью о технологиях, политике или спорте
  • Анализ настроений в социальных сетях
  • Программное обеспечение для распознавания лиц

6. Искусственные нейронные сети

Созданная по образцу человеческого мозга, искусственная нейронная сеть действует как огромный лабиринт нейронов или просто узлов, передающих информацию друг в друга.

Эти взаимосвязанные узлы мгновенно передают данные другим узлам через края для быстрой обработки, облегчая более плавное обучение.

ИНС обучаются на примерах, а не программируются с помощью определенного набора правил. Способные моделировать нелинейные процессы, они могут быть реализованы в таких областях, как -

  • Распознавание образов
  • Компьютерная безопасность
  • Сбор данных
  • Выявление разновидностей рака у пациентов

7. Кластеризация по методу K-средних

Кластеризация k-средних - это итеративный алгоритм обучения без учителя, который разбивает n наблюдений на k кластеров, где каждое наблюдение относится к ближайшему среднему кластеру.

Проще говоря, этот алгоритм объединяет набор точек данных на основе их сходства. Его приложения варьируются от кластеризации похожих и релевантных результатов веб-поиска на языках программирования и таких библиотеках, как Python, SciPy, Sci-Kit Learn и интеллектуальный анализ данных.

Реальные приложения кластеризации K-средних -

  1. Выявление фейковых новостей
  2. Обнаружение и фильтрация спама
  3. Классифицируйте книги или фильмы по жанрам
  4. Популярные транспортные маршруты при градостроительстве

Полезные ссылки:

8. Поддержка векторных машин

Машины опорных векторов относятся к категории контролируемых алгоритмов машинного обучения и в основном используются для классификации и регрессионного анализа.

Алгоритм работает путем построения моделей, которые присваивают новые примеры и данные категории, где эти категории легко отличить друг от друга по пробелу.

SVM очень эффективен в случаях, когда количество измерений превышает количество выборок, и чрезвычайно эффективен с точки зрения памяти.

Приложения SVM можно найти в:

  • Распознавание лиц
  • Классификация изображений
  • Категоризация текста и гипертекста
  • Распознавание почерка
  • Открытие лекарств для терапии
  • Биоинформатика - классификация белков, генов, биологии или рака.

Полезные ссылки:

9. K-ближайшие соседи

K-ближайшие соседи - это контролируемый алгоритм машинного обучения, используемый как для регрессии, так и для задач классификации.

Обычно реализуемый для распознавания образов, этот алгоритм сначала сохраняет и определяет расстояние между всеми входами в данных с помощью функции расстояния, выбирает k указанных входов, ближайших к запросу, и выдает:

  • Самый частый ярлык (для классификации)
  • Среднее значение k ближайших соседей (для регрессии)

Реальные применения этого алгоритма включают -

  • Обнаружение отпечатков пальцев
  • Кредитный рейтинг
  • Прогнозирование фондового рынка
  • Анализ отмывания денег
  • Банкротства банков
  • Курс обмена валют

10. Алгоритмы уменьшения размерности.

Алгоритмы уменьшения размерности работают за счет уменьшения размерного пространства или количества случайных величин в наборе данных с использованием одного из двух основных подходов, выбора признаков или извлечения признаков.

Они часто применяются для предварительной обработки наборов данных и удаления избыточных функций, что упрощает алгоритмы обучения модели.

Эти алгоритмы также имеют несколько полезных преимуществ, таких как:

  • Низкие требования к хранилищу
  • Требуется меньше вычислительной мощности
  • Повышенная точность
  • Пониженный шум

Вот несколько хорошо известных алгоритмов уменьшения размерности:

  • Анализ главных компонентов
  • Линейный дискриминантный анализ
  • Локально линейное вложение
  • Многомерное масштабирование

11. Анализ главных компонентов

Анализ основных компонентов - это один из неконтролируемых алгоритмов машинного обучения, который в основном используется для уменьшения размеров вашего пространства функций с помощью либо исключения признаков, либо извлечения признаков.

Он также используется как инструмент для исследовательского анализа данных и построения прогнозных моделей. Если требуются нормализованные данные, PCA может помочь с:

  • Обработка изображений
  • Система рекомендаций фильмов
  • Расчет ковариационной матрицы данных
  • Выполните разложение по собственным значениям ковариационной матрицы
  • Оптимизация распределения мощности в нескольких каналах связи

PCA направлено на уменьшение избыточности наборов данных, что упрощает работу без ущерба для точности. Он обычно используется в секторах обработки изображений и управления рисками.

Полезные ссылки:

12. Случайные леса

Случайные леса используют множество алгоритмов для решения классификационных, регрессионных и подобных задач путем реализации деревьев решений.

Принцип его работы таков: он создает кучи деревьев решений со случайными наборами данных, и модель многократно обучается на нем для получения почти точных результатов.

В конце концов, все результаты этих деревьев решений объединяются, чтобы определить наиболее подходящий результат, который чаще всего появляется в выходных данных.

Приложения для случайных лесов можно найти в -

  1. Обнаружение мошенничества с банковскими счетами, кредитной картой
  2. Обнаружение и прогноз лекарственной чувствительности лекарства
  3. Выявить болезнь пациента, проанализировав его медицинские записи.
  4. Прогнозируйте предполагаемый убыток или прибыль при покупке определенных акций

13. Повышение градиента и AdaBoost

Boosting - это метод для ансамблевых алгоритмов машинного обучения, превращающий слабых учеников в сильных. Алгоритмы повышения необходимы, когда данных много, и мы стремимся уменьшить предвзятость и дисперсию в контролируемом обучении. Ниже приведены два популярных алгоритма повышения.

  • Повышение градиента

Алгоритм повышения градиента используется для задач классификации и регрессии путем построения модели прогнозирования, как правило, итеративным способом, например, с помощью деревьев решений. Он улучшает слабых учеников, обучая их ошибкам сильных учеников, в результате чего получается точный ученик в целом.

  • AdaBoost

Сокращенно от Adaptive Boosting, AdaBoost улучшает модель, когда слабые ученики терпят неудачу. Он делает это путем изменения весов, прикрепленных к экземплярам в выборке, чтобы больше сосредоточиться на сложных, позже выходные данные слабых учеников объединяются для формирования взвешенной суммы и считаются окончательным усиленным выходом.

Заключение

Алгоритмы машинного обучения жизненно важны для специалистов по анализу данных, поскольку их применение в реальном мире растет. С помощью множества упомянутых выше алгоритмов вы можете найти алгоритм, который лучше всего решит вашу проблему. Эти алгоритмы, хотя и представляют собой сочетание контролируемого и неконтролируемого, могут обрабатывать множество задач и способны работать синхронно с другими алгоритмами.

Дополнительные источники -

Надеюсь, эта статья оказалась для вас полезной! Ниже приведены дополнительные ресурсы, если вы хотите узнать больше: -



Лучшие инструменты Google AI для всех
Превратите идеи в реальность с помощью Google AI Hub todatascience.com





Алгоритмы машинного обучения с точки зрения непрофессионала, часть 1
(то есть, как объяснить алгоритмы машинного обучения вашей бабушке) в сторонуdatascience.com





Эти шпаргалки вам понадобятся, если вы занимаетесь алгоритмами машинного обучения.
Когда два года назад я начал изучать машинное обучение (ML), у меня было много вопросов о том, какие алгоритмы использовать использовать, как… medium.com





Когда использовать разные алгоритмы машинного обучения: простое руководство
Если вы достаточно давно занимаетесь машинным обучением, то знаете, что существует принцип« без бесплатного обеда - нет… medium.com »





Машина опорных векторов - Введение в алгоритмы машинного обучения
Модель SVM с нуля в сторонуdatascience.com



Об авторе

Клэр Д.. является создателем контента и маркетологом в Digitalogy - торговой площадке по поиску технических ресурсов и индивидуального поиска партнеров, которая объединяет людей с предварительно отобранными и первоклассными разработчиками и дизайнерами на основе их конкретных потребностей по всему миру. Подключайтесь к Digitalogy в Linkedin, Twitter, Instagram.