Если вы фанат программирования, то знаете, как важны условные выражения. Что ж, для тех, кто не является программистом, условные операторы имеют первостепенное значение для каждой логики, которую мы создаем. Предположительно, вы делаете выбор карьеры между информатикой и инженерией и машиностроением, вы можете перечислить плюсы и минусы обоих и проанализировать, как каждая область повлияет на вашу карьеру. и твоя жизнь.
Что ж, встроите всю логику в предложение if-else. Если (что-то верно) вы выбираете «Информатика и инженерия», в противном случае вы выбираете «Машиностроение».

Раньше многие интеллектуальные системы использовали закодированные вручную правила принятия решений «если» и «еще» для обработки данных или адаптации к вводу пользователя. Вы когда-нибудь задумывались, как работает ваш электронный спам. Предположим, программист составляет список слов, которые могут привести к тому, что электронное письмо будет помечено как спам. Это способ, которым вы вручную определяете действия, которые ваша система должна предпринять для классификации электронного письма как спама.

Подумайте о системах распознавания лиц в современном супер-умном мире. Сможете ли вы написать от руки правила классификации лиц? Да, мы можем, но кто захочет тратить дни на написание предложений if-else для тысяч пикселей, которые необходимо проанализировать для классификации лиц? Что ж, спросите себя, не могли бы вы потратить неделю на изучение машинного обучения, которое поможет вам решить другие проблемы, или вы не могли бы написать сверхсложную и длинную программу для классификации и обнаружения лиц? Я бы ответил первым.

Используя машинное обучение, вы можете создать программу, выполняющую алгоритм, который анализирует большой набор лиц для идентификации лица.

Что такое машинное обучение?
В общих чертах: «Искусство заставлять машины обучаться называется машинным обучением». Мы стараемся найти ярлыки или более простые и быстрые методы работы. Что ж, позвольте мне познакомить вас с миром, где все можно делать быстрее, чем способен человек. Вместо того, чтобы нанимать людей, которые изо дня в день анализируют данные о том, как определить, является ли рак груди злокачественным или доброкачественным, вы захотите заставить машины делать эту работу.

Хотите купить дом? Не доверяете продавцу, который назначает конкретную цену? Вместо этого постройте модель и используйте ее для прогнозирования цен на жилье для лучшего анализа, пока вы выбираете дом для покупки.
Деловые организации захотят извлечь из данных информацию, которая поможет их бизнесу расти и функционировать должным образом.

Так же, как все было классифицировано по различным типам, машинное обучение тоже. По сути, машинное обучение можно разделить на три типа: обучение с учителем, обучение без учителя и обучение с подкреплением.

Останься со мной ненадолго. Я обещаю, вам понравится то, что будет дальше.

Обучение с учителем. Связано ли это с экзаменом, на котором нет куратора? Что ж, это мечта для всех нас. Но нет, это не то, о чем вы думаете.

Данные, с которыми вы работаете, имеют заранее определенные выходные данные, например, вы хотите обучить свою модель машинного обучения прогнозированию цен на жилье. Вы можете использовать контролируемый алгоритм обучения, такой как линейная регрессия, для обучения вашей модели и прогнозирования цен на жилье.
Линейная регрессия имеет простое уравнение прямой: y = ax + b. Задача модели машинного обучения - вычислить «a» и «b», чтобы ваша модель точно предсказывала цены на жилье с учетом его характеристик в терминах «x» и цены в терминах «y».

Есть еще две классификации контролируемого обучения:
1. Регрессия: регрессия используется для моделирования отношений между двумя переменными. Проще говоря, вы можете узнать, насколько фактор «х» (количество спален) влияет на цену дома, выраженную в «у». Вы можете прогнозировать цены на жилье с помощью алгоритмов регрессии.
2. Классификация: классификация используется для классификации данных по типам выходных данных. Классификация - это проблема определения того, к какому из набора категорий относится новое наблюдение, на основе обучающего набора данных, содержащих наблюдения, принадлежность к категории которых известна. Например, предположим, что вы хотите разделить цветы ириса на три типа: Setosa, Versicolor, Virginia. Такой алгоритм классификации, как K ближайших соседей, сможет эффективно предсказывать типы.

Обучение без учителя. Оно основано на данных. Данные, с которыми вы работаете, не имеют заранее определенного вывода. Алгоритм обучения без учителя учится на распределении данных. В процессе обучения без учителя обрабатывается 10 миллионов видео вместе с соответствующими текстовыми данными, такими как описания и комментарии. Алгоритм моделирует изображения в видеороликах с помощью статистического анализа, который позволяет определять визуальные закономерности. Затем эти шаблоны можно сопоставить с текстом, чтобы развить теории о визуальных характеристиках различных вещей. Например, такой алгоритм мог бы построить твердую модель, которая может идентифицировать скейтборды на видео. Алгоритм никогда не дает правильного ответа, но может получить уверенность на основе большого количества выборок. Точно так же алгоритм отбрасывает большое количество моделей, которые не кажутся правильными.

Есть еще две классификации неконтролируемого обучения:
1. Кластеризация. Кластеризация - это задача разделения совокупности или точек данных на несколько групп таким образом, чтобы точки данных в одних и тех же группах были больше аналогично другим точкам данных в той же группе, чем в других группах. Проще говоря, цель состоит в том, чтобы разделить данные на группы со схожими характеристиками и распределить их по кластерам.
Давайте разберемся в этом на примере. Предположим, вы возглавляете магазин по прокату фильмов и хотите понять предпочтения своих клиентов, чтобы расширить свой бизнес. Можете ли вы изучить детали каждого клиента и разработать уникальную бизнес-стратегию для каждого из них? Точно нет. Но что вы можете сделать, так это сгруппировать всех своих клиентов в, скажем, 10 групп на основе их покупательских привычек и использовать отдельную стратегию для клиентов в каждой из этих 10 групп. И это то, что мы называем кластеризацией.
2. Некластеризация. Примером некластеризации может быть отделение человеческой речи и музыки от музыкального звука. Алгоритм определит факторы, которые отличают человеческую речь от музыки.

Обучение с подкреплением: следующее руководство - лучшее, что я могу найти в Интернете для понимания обучения с подкреплением: https://medium.freecodecamp.org/an-introduction-to-reinforcement-learning-4339519de419