Это моя первая статья из серии, в которой мы попытаемся демистифицировать концепции машинного обучения.
Я постараюсь изложить свое понимание различных концепций машинного обучения, используя как можно простые иллюстрации или аналогии . Целью этой серии будет сделать путь более гладким для любого новичка, который с энтузиазмом исследует менее популярный, но более разговорный путь машинного обучения, а также не использует старый школьный способ изучения этой темы.
Предпосылки
Единственное требование к этой статье — энтузиазм. Который, я думаю, и затащил тебя сюда. Относительно других предстоящих. Python и немного базовой математики не помешали бы.
Что такое машинное обучение?
Давайте возьмем эту аналогию, где вам нужно принимать определенные решения программно. Каков наилучший способ сделать это? Если еще ?
Что ж, это правда в какой-то степени. До тех пор, пока эти условия не будут исчисляемыми. Представьте, что существует около 100 операторов if else, которые зациклены друг на друге? Это взорвало бы мозг как автору, так и сопровождающему.
Вместо этого, что, если наша программа принимает определенные строки данных в качестве входных данных, анализирует их и создает свой собственный путь из If и Else? Затем предсказывает вывод следующего набора информации. Разве это не называется ИИ?
Технически, да. Это Интеллект. Но привязан к набору информации.
Разбивка верхнего уровня
Таким образом, мы можем разделить машинное обучение на 3 категории.
- Контролируемое обучение
- Неконтролируемое обучение
- Обучение с подкреплением
Контролируемое обучение
Сценарий, в котором мы предоставляем алгоритму набор информации и их результаты. Алгоритм учится на наборе данных и тренируется, чтобы быть в состоянии прогнозировать выходные данные для совершенно нового набора данных.
Обучение под наблюдением подразделяется на
- Проблема регрессии
- Проблема классификации
Неконтролируемое обучение
Сценарий, в котором у нас просто есть данные, и это не приводит к какому-либо набору результатов. Скажем, вам дан список изображений цветов. Алгоритм принимает этот список цветов в качестве входных данных и обучается сам. Теперь, когда дается новый набор изображений. Алгоритм должен быть в состоянии предсказать, является ли данное изображение цветком или нет.
В этом подходе Мы не упомянули какие-либо специфические характеристики цветка. На самом деле слишком сложно поместить эти параметры в код. Алгоритм анализирует каждый пиксель и строит собственное окончательное представление о том, как выглядят цветы, и предсказывает поведение новых входных данных.
Обучение с подкреплением
Эта область машинного обучения применяется в основном для игровой индустрии, для игр с автоматическими ботами или в таких сценариях, как автомобили с самостоятельным вождением. Здесь алгоритм не снабжен каким-либо набором информации. Но только сырые данные. Алгоритм работает по системе вознаграждений и принимает решение импровизировать свои стимулы.
Я надеюсь, что смог объяснить вам некоторые минимальные основы машинного обучения. Оставайтесь с нами в этой серии, где мы начнем концепции и кодирование каждой темы, обсуждаемой выше.
