Блог-1 серии "Машинное обучение".

Введение в машинное обучение

Введение

В этой серии блогов мы узнаем о машинном обучении и его приложениях. Не волнуйтесь, если вы плохо разбираетесь в математике или программировании. Мы научимся чему-то по ходу дела.

Что такое машинное обучение в терминологии непрофессионала?

Представьте, что вы пытаетесь выбросить листок в мусорное ведро. Считайте, что сила ветра всегда равна нулю. При первой попытке вы приложили слишком мало усилий, и бумага не доходит до лотка. Во второй попытке вы приложили слишком много усилий, вы все равно не доберетесь до мусорного ведра. С каждой попыткой вы приближаетесь к цели. Вы экспериментируете, изменяя угол выброса, регулируя силу. В этом случае вы учитесь на собственном опыте.

Мы можем сделать нечто подобное и с машинами. Мы можем запрограммировать машину так, чтобы она училась на каждой попытке / опыте / точке данных, а затем улучшала результат. Это то, что мы называем машинным обучением.

Вот определение машинного обучения от Артура Сэмюэля. Он определил машинное обучение как область обучения, которая дает компьютерам возможность учиться без явного обучения.

В повседневной жизни вы сталкиваетесь с приложениями машинного обучения, даже не подозревая об этом.

Помните, когда вы получили электронное письмо от нигерийского принца, который хотел отправить вам деньги, и Gmail отправил его в папку для спама.

Это пример машинного обучения.

Классификация спама, а не спама, распознавание изображений, рекомендательные системы, самоуправляемые автомобили - все это примеры машинного обучения.

Типы машинного обучения: -

Машинное обучение можно разделить на три типа.

  1. Контролируемое обучение
  2. Неконтролируемое обучение
  3. Обучение с подкреплением

Контролируемое обучение

Представьте, что вы хотите научить ребенка, что такое яблоко и кекс. Вы показываете ему изображения яблока и говорите, что это яблоко. Затем вы показываете ему изображения кекса и говорите, что это кекс.

Теперь вы говорите ему определенные вещи, например, разницу между цветом, текстурой и формой, чтобы он понимал разницу между ними.

Теперь вы снова показываете ему фотографии яблока и кекса и просите его идентифицировать их. Если он умеет различать яблоки и кексы, поздравляю, вы его успешно научили. (И вы увидите реальный пример контролируемого обучения)

Как мы можем понять из приведенного выше примера, при обучении с учителем нам предоставляется набор данных, и мы уже знаем, как должен выглядеть наш правильный результат.

Контролируемое обучение - это задача машинного обучения, состоящая в изучении функции, которая сопоставляет входные данные с выходными на основе примеров пар входных и выходных данных.

Неконтролируемое обучение

В режиме обучения без учителя нам предоставляются данные без ярлыков. Здесь задача машины состоит в том, чтобы сгруппировать несортированную информацию по сходствам, шаблонам и различиям без какого-либо предварительного обучения данных.

В отличие от обучения с учителем, учителя нет.

Предположим, в машине есть изображения кошек и собак, а этикеток нет. Машина не имеет представления об особенностях собак и кошек, но может классифицировать их в соответствии с их сходством, образцами и различиями.

При обучении без учителя машина обучается сама по себе, без ярлыков.

Обучение с подкреплением

Представьте, что вы пытаетесь научить собаку брать мяч, когда вы его бросаете. Теперь собака не понимает вашего языка, поэтому, когда вы бросаете мяч, она может реагировать по-разному. Но когда он делает то, что вы от него хотите, вы награждаете его закуской. Теперь, когда вы в следующий раз бросите мяч, собака принесет его, зная, что такое поведение приносит ей хорошие баллы.

В этом сценарии Собака - обучающийся агент. Закуска - это награда.

Предположим, что агент, который может быть беспилотным автомобилем или программой, играющей в шахматы, взаимодействует со своим окружением, получает состояние вознаграждения в зависимости от того, как он действует, например, безопасно добирается до места назначения или выигрывает игру. И наоборот, агент получает штраф за некорректную работу, например, за выезд или мат.

Система вознаграждения за правильное поведение и наказания за неправильное поведение является основой обучения с подкреплением.

Чтобы подробнее узнать об интересных реализациях обучения с подкреплением, посмотрите следующее видео.

Дополнительную информацию по этой теме вы можете найти в источниках, перечисленных ниже.

В этом блоге мы представили вам основные концепции машинного обучения. Мы надеемся, что этот блог был полезен и мотивировал вас заинтересоваться этой темой. Мы встретимся с вами в следующий раз и продолжим вместе исследовать огромный мир машинного обучения и связанные с ним темы. А пока продолжайте исследовать !.

Команда Бит за Бит