ДНЕЙ[3]
ВЫБОР МОДЕЛИ
Следующим шагом в нашем рабочем процессе является выбор модели.
Алгоритмы — умные и сильные солдаты сложной модели машинного обучения. Другими словами, алгоритмы машинного обучения являются основой, когда мы играем с данными или когда дело доходит до обучения модели. Исследователи и специалисты по данным создали множество моделей за эти годы. Некоторые из них очень хорошо подходят для данных изображений, другие — для последовательностей (например, текста или музыки), некоторые — для числовых данных, третьи — для текстовых данных. Скорее всего, мы найдем основной ответ в этой статье, например, для каких целей используются алгоритмы машинного обучения. работает, где их использовать и как их использовать.
Алгоритмы машинного обучения в основном делятся на 3 широкие категории, т.е.
Контролируемое обучение (управление задачами, прогнозирование следующего значения)
Неконтролируемое обучение (управление данными, идентификация кластеров) и
Обучение с подкреплением (учимся на ошибках)
В алгоритмах машинного обучения с учителем машина обучается на примере. Здесь оператор предоставляет алгоритму машинного обучения набор данных. Этот набор данных включает в себя желаемые входные и выходные переменные. Алгоритм распознает закономерности в данных, учится на наблюдениях и, наконец, делает прогнозы. Прогнозы, сделанные алгоритмом, корректируются оператором, и этот процесс продолжается до тех пор, пока алгоритм не достигнет желаемого уровня точности/производительности на обучающих данных. контролируемое обучение подразделяется на классификацию, регрессию и прогнозирование. Алгоритмы машинного обучения, такие как Линейная регрессия, Дерево решений, Машина опорных векторов, Случайный лес, KNN и Логистическая регрессия, относятся к типу обучения с учителем.
В неконтролируемом обучении алгоритм машинного обучения изучает данные для выявления закономерностей, есть только входные переменные (X), но нет соответствующих выходных переменных. Здесь алгоритм машинного обучения интерпретирует большие наборы данных и пытается каким-то образом организовать эти данные, чтобы описать их структуру, это может означать группировку данных в кластеры или организацию их таким образом, чтобы они выглядели более организованными. Его алгоритмы машинного обучения используют немаркированные обучающие данные для моделирования базовой структуры данных. Алгоритмы машинного обучения, относящиеся к обучению без учителя, такие как Априорный алгоритм , К-средних и С-средних, очень полезны в тех случаях, когда задача состоит в том, чтобы обнаружить неявные отношения в заданном неразмеченном набор данных
Последним является обучение с подкреплением, это тип алгоритма машинного обучения, который помогает выбрать наилучшее следующее действие на основе его текущего состояния, исходя из поведения, которое максимизирует вознаграждение. Что я подразумеваю под этим? Обучение с подкреплением фокусируется на регламентированных процессах обучения, где алгоритму машинного обучения предоставляется набор действий, параметров и конечных значений. После определения правил алгоритм машинного обучения пытается изучить различные варианты и возможности, отслеживая и оценивая каждый результат, чтобы определить, какой из них является оптимальным. Обучение с подкреплением учится на прошлом опыте и начинает адаптировать свой подход в ответ на ситуацию для достижения наилучшего возможного результата, другими словами, оно обучает машину методом проб и ошибок. В обучении с подкреплением для каждого прогнозирующего шага или действия доступна некоторая форма обратной связи, но в обучении с подкреплением нет точной метки или сообщения об ошибке. Алгоритмы подкрепления обычно используются в робототехнике, где робот может научиться избегать столкновений, получая отрицательную обратную связь после столкновения с препятствиями, а также в видеоиграх, где методом проб и ошибок выявляются определенные движения, которые могут увеличить вознаграждение игрока. Алгоритм машинного обучения — это Q-Learning и SARSA.
Завтра я углублюсь в некоторые из основных алгоритмов машинного обучения с подробным объяснением того, как их использовать и развертывать.
Ихуома Василий. (Наука о данных || Инженер-энтузиаст искусственного интеллекта)
