Что такое машинное обучение? Типы машинного обучения.
Привет, ребята, это мой первый блог о машинном обучении, в этом блоге я расскажу вам, что такое машинное обучение и его виды.
Итак, меня зовут Рохит Оджа.
«Извините, мой английский не так хорош»
Давайте начнем блог.
«Говорят, что компьютерная программа учится на опыте E в отношении
некоторой задачи T и некоторого показателя производительности P, если ее производительность на
T, измеряемая P, улучшается с опытом E».
— Том Митчелл, Университет Карнеги-Меллона
E = Опыт
T = Конкретная задача
P = Производительность
Машинное обучение является подмножеством искусственного интеллекта. Итак, если кодер разработает алгоритм, который предоставляет системам возможность автоматически учиться и совершенствоваться на основе опыта, этот алгоритм изменит наше поведение через любой длительный период времени. Он будет учиться в соответствии с нашим опытом и повышать точность на каждом выходе. «Это область исследования, которая дает компьютерам возможность учиться без явного программирования». Теперь вы должны подумать, как это возможно. Пример ниже объяснит все.
Давайте начнем с примера.
Если вы строите «модель прогнозирования обзоров фильмов» на основе любого алгоритма машинного обучения. Поэтому сохраните данные за последние 20 лет в модели как набор обучающих данных. После того, как вы запустите модель, она даст вам точность модели и некоторое прогнозируемое значение. Теперь проверьте прогнозируемое значение (обзор прогноза) и фактический обзор фильма. Если вы продолжите свой прогноз после длительного периода времени. Точность вашего набора данных увеличивается, и если вы работаете после 5 лет. Он должен дать более точный ответ, чем раньше.
Тип машинного обучения
Я объясню типы алгоритмов машинного обучения и расскажу, где какой алгоритм использовать. Итак, для начала я расскажу вам несколько «часто» задаваемых слов:
Набор данных с метками: данные с метками — это данные, состоящие из значения выходных данных, где входные значения имеют соответствующее желаемое выходное значение (также называемое контрольным сигналом, метками и т. д.).
Классификация: Классификация означает наличие двоичного выхода (Истина или Ложь).
Регрессия: целью регрессии является прогнозирование непрерывных значений (например, «цена дома»).
Набор обучающих данных. Набор данных используется для обучения модели. Это набор обучающих данных, и после обучения мы применяем процесс тестирования для проверки модели. Размер набора данных поезда составляет около 70% от общего значения набора данных.
Testing DataSet: набор данных используется для тестирования модели. После тестирования мы видим, что наша модель правильно обучается в соответствии с точностью. Размер набора данных составляет около 30% от общего набора данных.
Типы алгоритмов машинного обучения:
Обучение с учителем: обучение с учителем, поскольку название указывает на «руководителя», это означает, что есть учитель-супервайзер, где в алгоритме обучения с учителем данные помечены (данные с правильным ответом). Итак, мы обучаем или тестируем модель с помеченным набором данных. Таким образом, мы предоставили ввод, который даст вывод на основе помеченного значения. Для контролируемого обучения мы должны выбрать лучшее помеченное значение.
Например:
Предположим, у нас есть корзина с разными фруктами. Теперь, чтобы обучить модель с разными фруктами один за другим, вот так:
1. Если форма объекта округлая, а впадины сверху и снизу имеют красный цвет
, то он будет помечен как -Apple.
2. Если форма объекта представляет собой длинный изогнутый цилиндр, имеющий цвет Желтый, тогда он будет
помечен как –Banana.
После обучения модели мы предоставляем входное значение, и модель будет предсказывать результат или идентифицировать данные.
Неконтролируемое обучение:
Неконтролируемое обучение — это алгоритм, в котором набор данных не классифицируется и не маркируется, что позволяет алгоритму воздействовать на эту информацию без руководства. В алгоритме обучения без учителя нет супервизора. Алгоритм разработан разработчиком таким образом, что время от времени он будет учиться.
Неконтролируемое обучение — это класс методов машинного обучения для поиска закономерностей в данных. Идентификатор набора данных, присвоенный неконтролируемым алгоритмам, не помечен или не имеет целевого значения, сын есть только входные переменные (X) и нет соответствующих выходных переменных (Y). В неконтролируемом обучении есть супервизор для обучения алгоритму
Пример:
Если у вас есть картинка, на которой кошки и собаки вместе, чем то, как алгоритм классифицирует. Таким образом, оба классифицируют их в соответствии с их сходством, закономерностями и различиями, то есть мы можем легко разделить изображение на две части.
«Ян Лекун, директор по исследованиям в области искусственного интеллекта, объясняет, что неконтролируемое
обучение — обучение машин самообучению без
того, чтобы им прямо сообщали, все ли они делают правильно или
неправильно — это ключ к успеху. к «настоящему» ИИ».
