Привет.

Прежде чем мы углубимся в безумие, давайте начнем с общего представления о том, как выглядят модели машинного обучения.

Резюме (TL; DR):

Долгая история:

Всего существует два типа методов ML:

  1. контролируемое обучение
  2. Неконтролируемое обучение

Мы подробно рассмотрим их обоих.

1. Контролируемое обучение

Этот тип обучения в основном состоит из агента, который помогает модели, сообщая ей, что является результатом данного ввода.

У нас есть концепция независимых и зависимых переменных, которая, в свою очередь, позволяет модели расшифровать взаимосвязь между входом и выходом.

В настоящее время обучение с учителем подразделяется на 2 вида:

  1. Регрессия
  2. Классификация

Мы поговорим о них подробно в последующих главах.

2. Неконтролируемое обучение

Обратной стороной обучения с учителем является обучение без учителя, при котором нет выходных данных для соответствующих входных данных. По сути, мы понятия не имеем о корреляции между входными и выходными данными, поэтому мы пытаемся понять неотъемлемые свойства предоставленных данных, а не зависеть от агента, который скажет нам, были ли мы угаданы правильно или неправильно.

Таким образом, мы в основном пытаемся сгруппировать входные данные со схожими свойствами друг с другом.

Неконтролируемое обучение в основном состоит из одного основного подразделения:

  1. Кластеризация.

и еще один называется обучение правилам ассоциации. Но мы предполагаем, что в большинстве случаев просто выполняется кластеризация, если не указано иное об обучении правилам ассоциации.

Спасибо за чтение.

Если вы хотите связаться со мной, ссылки на LinkedIn и Facebook group находятся здесь.

Используемые источники:

https://www.geeksforgeeks.org/supervised-unsupervised-learning/, https://towardsdatascience.com/supervised-vs-unsupervised-learning-14f68e32ea8d, https://machinelearningmastery.com/supervised- и-неконтролируемые-алгоритмы-машинного-обучения/ и поиск изображений Google.