Как история начинается и достигает этого уровня
В настоящее время мы говорим о машинном обучении, науке о данных, искусственном интеллекте и многих других важных вещах. Теперь Мы способны найти почти что угодно из чего-то. Но как начинается история, с чего мы начинаем и где находимся, вот что я собираюсь написать…
Сравнение дочернего элемента и компьютера —
В старые времена, когда у нас был ребенок и наша обязанность его кормить. Два способа накормить его.
(а) Во-первых, чтобы сделать его ограничивающим — управляйте им, говоря, что если вы сделаете это, то вы будете таким, иначе это. Родитель этого ребенка не позволяет ему ходить вокруг, просто делать что-то в соответствии с командой. Итак, наконец, этот ребенок получит то, что хочет. Но нравится ли вам этот ребенок? НЕТ. почему нет? Это работает нормально. Но этот ребенок не адаптивен, это что-то вроде робота? Оно знает только то, что мы заставляем его знать. Он знает только то, что знаем мы? Но мы хотим, чтобы наш ребенок стал более развитым, чем мы, мог делать больше, чем мы.
(b) Итак, теперь мы собираемся создать адаптивного ребенка, который может делать гораздо больше вещей, чем мы. Но вопрос как? Как мы можем сделать нашего ребенка умнее нас? У нас есть две вещи: первая — это то, что у нас есть, мы можем дать это ему, и у него также есть свое собственное общество, поэтому он также может учиться у своего собственного общества. Так
ChildsExperience=parentsExperience+ChildsOwnExperience
Это один из реалистичных примеров эволюции обучения на основе данных: какие бы правила мы ни создавали для машин, они существуют, и машины также могут учиться на собственном опыте. Машина может учиться у разных типов —
(1) Под наблюдением — у нас есть пять команд, их результаты на разных основаниях, в разных ситуациях, против разных команд. Какая команда выиграла, какая команда проиграла предыдущие матчи. Теперь, имея в виду предыдущие ситуации, площадки, команды соперников и все такое. И мы должны угадать, какая команда победит или проиграет. Алгоритмы, которые используются в супервизорных машинах. Классификация (значения, подобные этому событию, происходят или нет) или Регрессия (числовые данные фактического значения). Используемый алгоритм —
(a) Линейная регрессия — у нас есть разные атрибуты, в этом мы пытаемся найти линию, которая может дать вам соответствующее значение(проведение прямой через набор точек).
(b)Логистическая регрессия —используется для биномиальной классификации (для разделения результатов мы используем сигмовидную функцию). Это алгоритм классификации.
(c)Машины опорных векторов — мы предполагаем, что каждый атрибут является плоскостью. И мы пытаемся найти плоскость, которая может разделить эту область на биномиальное деление.
(d) Методы ансамбля — создайте набор классификаторов, а затем классифицируйте новые точки данных, взвешивая их прогнозы.
Некоторые различные алгоритмы, такие как деревья решений, наивная байесовская классификация и другие.
(2)Неконтролируемый — у нас есть данные, но у нас нет целевой переменной, поскольку у нас есть данные о разных игроках. Мы должны дифференцировать данные на основе разных возрастных групп, групп местоположения и тому подобное. Это известно как кластеризация данных. Это происходит без присмотра, как будто у нас нет чьего-либо надзора, мы просто находим закономерности для себя. Некоторые алгоритмы предназначены для самоконтроля — Анализ основных компонентов, Разложение по сингулярным значениям.
(a) Алгоритмы кластеризации.Кластеризация — это задача группировки набора объектов таким образом, чтобы объекты в одной группе (кластер) были более похожи друг на друга, чем на объекты в другие группы.
(3)Рекомендательное обучение. Система учится на собственном опыте. Как ребенок учится шаг за шагом, поскольку у него есть собственный опыт общения с окружающим миром.
Вот что я думаю, что эта технология все о. Если у вас есть какие-либо предложения по поводу этой технологии, пожалуйста, оставьте комментарий.
