Сегодня Машинное обучение - одна из самых влиятельных, интересных и мощных технологий вокруг нас.
Начнем с трех основных слов, которые следует знать:
- Данные
- Информация
- Знания
Что такое машинное обучение?
Мы знаем, что вокруг нас доступно огромное количество данных, от фотографий в instagram до песен на spotify. Эти данные продолжают увеличиваться со временем, и если эти данные организованы как информация, то из этих доступных данных можно многое сделать, проанализировав их для прогнозирования определенных значений / закономерностей. .
Машинное обучение как инструмент помогает нам превращать информацию в знания. Методы машинного обучения используются для автоматического поиска скрытых закономерностей в сложных данных, которые можно использовать для прогнозирования будущих событий и выполнения всех видов принятия сложных решений, а также для прогнозирования.
Машинное обучение широко применяется в повседневной жизни.
Примеры:
- Распознавание лиц. Смартфоны обнаруживают лица во время фотосъемки или разблокировки.
- Обнаружение мошенничества: банки используют машинное обучение для обнаружения мошеннических транзакций в режиме реального времени.
- Анализ временных рядов: ML используется для прогнозирования цен на фондовом рынке.
- Рекомендации: платформы социальных сетей (например, Facebook, LinkedIn и т. д.) рекомендуют нас, друзей. Сайты электронной коммерции, такие как Amazon и Flipkart, рекомендуют нам продукты на основе нашей истории просмотров.
Определение процесса
В общем, Машинное обучение можно использовать для решения реальной жизненной проблемы, выполнив следующие действия:
Шаг 1: определите проблему машинного обучения и предложите решение.
Шаг 2: создание набора данных.
Шаг 3. Преобразуйте данные
Шаг 4. Обучите модель
Шаг 5. Используйте модель, чтобы делать прогнозы
Следовательно, мы можем определить машинное обучение как процесс обучения программного обеспечения, называемого моделью, чтобы делать полезные прогнозы, которые могут помочь в прогнозировании будущих действий / действий.
Типы обучения
у нас есть 3 широкие классификации:
- Контролируемое обучение
- Неконтролируемое обучение
- Обучение с подкреплением
Контролируемое обучение
Здесь цель - изучить отображение между набором ввода и вывода. Нам нужны функции и соответствующие им метки в алгоритме (этот процесс называется обучением), где он определяет взаимосвязь между функциями и их соответствующими метками.
Пример: предположим, что у нас есть «прогноз погоды» в качестве входных данных и «нет. посетителей пляжа ». Здесь цель состоит в том, чтобы изучить отображение, которое описывает взаимосвязь между температурой и температурой. посетителей.
Неконтролируемое обучение
Здесь цель состоит в том, чтобы выявить значимые закономерности в данных. В модели нет подсказок о том, как классифицировать каждую часть данных, и она должна вывести собственные правила для этого.
Пример: сортировка монет разного цвета по отдельным стопкам. Здесь не предоставляется никакой предварительной информации о категориях, поэтому модель будет выдавать разные кластеры на основе свойства «цвет» монет.
Обучение с подкреплением
Здесь машина обучается принимать конкретные решения. Он находится в среде, где постоянно обучается методом проб и ошибок. Машина учится на прошлом опыте и пытается собрать самые лучшие знания для принятия точных решений.
Пример: задача о кратчайшем пути
Примеры различных проблем машинного обучения
- Классификация: выбор 1 из N ярлыков.
Пример: кошка, собака, дом или медведь)
- Регрессия: это статистический инструмент, который используется для определения силы взаимосвязи между зависимой переменной и рядом других изменяющихся переменных (известных как независимые переменные).
Пример: количество осадков (независимая переменная) и урожайность (зависимая переменная). Мы используем одну переменную для прогнозирования значения другой переменной.
- Кластеризация: группировка похожих объектов.
Пример: анализ документа (для систематизации документов по разным темам)
- Изучение правила ассоциации: выявляет вероятные закономерности ассоциации в данных.
Пример: если вы покупаете зубную пасту, какова вероятность того, что вы также купите зубную щетку.
Теперь у нас может возникнуть вопрос, не похоже ли это на автоматизацию? Чтобы ответить на этот вопрос, давайте поищем разницу между двумя.
Чем машинное обучение отличается от автоматизации?
Давайте рассмотрим пример электронной почты, чтобы понять это. Автоматизация потоков в нашем почтовом ящике требует от нас определения правил. Эти правила действуют каждый раз одинаково. С другой стороны, машинное обучение помогает машинам учиться на прошлых данных / опыте и соответственно изменять свои решения / производительность. Обнаружение спама в наших почтовых ящиках осуществляется с помощью машинного обучения. Следовательно, он продолжает развиваться со временем.
Следовательно, мы можем сказать, что единственная связь между ними заключается в том, что ML позволяет нам лучше автоматизировать.
Инструменты?
Для машинного обучения используется несколько инструментов и языков. Выбор инструментов может отличаться от человека к человеку, так как это зависит от наших потребностей и масштаба операций. Некоторые из наиболее широко используемых перечислены ниже:
Языки
Базы данных
Инструменты визуализации
Я лично кодирую на Python и использую Jupyter, Spyder, Google Colab для практики и разработки.
Ресурсы:
Чтобы начать свое знакомство с машинным обучением, вы можете обратиться к Шпаргалке по машинному обучению.
ссылка: https://drive.google.com/file/d/1QtAhf0Y0fzg4dUeF8ppILBPNDbrKeMDh/view?usp=drivesdk
