Рассмотрим организацию, которая нанимает сотрудников на основе определенного количества факторов. Если мы сядем и напишем все правила, на основании которых будут выбираться сотрудники, а затем закодируем их в форме цикла «если-иначе», может уйти много времени на то, чтобы понять, какие правила зависят от функций и возможностей. какие правила должны быть конкретно установлены для каждого из них. Кроме того, некоторые функции могут иметь более высокий вес (они более важны, чем другие, например, программирование на Java важнее, чем все остальные), поэтому для них должны быть установлены другие правила. Рассмотрим рис. приведено ниже → Здесь x - это все наши входные данные (10-е баллы, 12 баллов..) все это вместе образует входные данные x для функции f (x).
ЦЕЛЬ МАШИННОГО ОБУЧЕНИЯ
Наша цель здесь — заменить человека машиной, и машина вычислит функцию в зависимости от параметров нашей функции y=f(x1,x2…….xn). Наше решение опирается на эту функцию, но здесь мы не знаем правил, а также того, какие веса (какому атрибуту следует придавать большее значение) должны быть присвоены разным параметрам. Вот что делает машина: смотрит на входы, смотрит на выходы и пытается найти функцию, которая лучше всего объясняет взаимосвязь между входом и выходом (первоначально мы можем назначить функцию, которая, как мы думаем, каким-то образом может коррелировать вход с выходом) . Это никоим образом не легко сделать людям, взяв 25-градусный полином и найдя все его параметры. Учтите, что y=ax³+bx²+c, нам нужно узнать параметры a,b и c. Итак, что делает наша машина, так это предполагает, что все точки данных связаны некоторой функцией, и она проверяет все значения параметров для нее и сообщает нам, какая функция и какие параметры лучше всего описывают взаимосвязь между x (входные данные) и y (выходные данные). Как только мы получим эту функцию, нам просто нужно закодировать эту функцию, и для любого нового ввода мы можем получить вывод, подключившись к этой функции.
Как мы определяем эти функции?
Машинное обучение заключается в идентификации этих функций (поскольку мы не можем предположить какую-либо функцию) и в том, как узнать параметры этих функций. Одно семейство алгоритмов машинного обучения, то есть алгоритмы глубокого обучения, дает нам доступ к одному семейству функций, и у нас есть соответствующий набор алгоритмов для оценки параметров таких функций.
Почему сейчас машинное обучение стало таким популярным?
Три основные причины развития машинного обучения: данные, демократизация и устройства.
1 Данные →Основной частью изучения сложных функций машины являются данные. И сегодня, благодаря доступности Интернета, в Интернет постоянно загружается большое количество данных. Структурированные данные, текстовые данные в виде обзоров, изображений продукта и т. д., поэтому на этих платформах нам легко доступны многие данные, которые могут помочь машине легко узнать о параметрах и лучше понять данные.
2 Демократизированная модель →Люди уже выпустили свой код для обучения глубокой нейронной сети. Итак, у всех нас есть доступ к коду, куда мы можем просто вводить наши данные и знать взаимосвязь между вводом и выводом.
3 Облачные вычисления →Для больших объемов данных, которые должны быть переданы в сложный код, требуется очень много памяти, что мы не можем сделать на некоторых обычные ноутбуки. Но с помощью облачных вычислений мы можем легко выполнять все эти вычисления в облачных сервисах, таких как AWS, Google Collab и т. д.
Это моя первая статья о машинном обучении. С этого момента я буду писать намного больше, особенно о глубоком обучении. Если вам понравилась статья, пожалуйста, поделитесь ею. Отзывы приветствуются.
