Итак, Анджуум Кханна вернулась с новым взглядом на машинное обучение. Как мы все знаем, машинное обучение является частью искусственного интеллекта. Таким образом, по словам Анджуум Кханна, машинное обучение — это метод, позволяющий компьютеру машинно обучаться на основе данных для выполнения определенной задачи по постепенно улучшающейся схеме.

Другими словами, мы также можем сказать, что «Машинное обучение — это идея учиться на примерах и опыте без явного программирования. Вместо написания кода вы вводите данные в общий алгоритм, и он строит логику на основе предоставленных данных». Так что все дело в простом алгоритме, который достаточно умен, чтобы работать в разных сценариях.

Для большего пояснения давайте воспользуемся примером, одним из видов алгоритма является алгоритм классификации. Он может помещать данные в разные группы. Алгоритм классификации, используемый для обнаружения рукописных алфавитов, также можно использовать для классификации электронных писем на спам и не спам. Так что, по словам Анджуум Кханна, эти алгоритмы учатся на собственном опыте и могут быть использованы для разных целей.

Это название «Машинное обучение» было придумано в 1959 году Артуром Сэмюэлем. Это было разработано на основе изучения теории распознавания образов и вычислительного обучения в искусственном интеллекте. Машинное обучение исследует изучение и построение алгоритмов, которые могут учиться и делать прогнозы на основе данных - такие алгоритмы преодолевают следование строго статическим инструкциям программы, делая прогнозы на основе данных. или решения, путем построения модели из выборочных входных данных.

Требование машинного обучения: -

Машинное обучение является частью искусственного интеллекта (ИИ). Применяя ИИ, мы хотели создавать более совершенные и умные машины. Но за исключением некоторых небольших достижений, таких как нахождение кратчайшего пути между двумя точками, мы не могли запрограммировать более сложные и постоянно меняющиеся задачи. Так как мы узнали, что если есть воля, то есть и способ, поэтому мы обнаружили, что единственный способ выполнить эту задачу — позволить машине учиться у самой себя, а затем выдавать требуемый результат. Это похоже на то, как ребенок учится у самого себя. Таким образом, машинное обучение было разработано как новая возможность для компьютеров.

Все результаты, основанные на данных, были возможны только тогда, когда человеческий мозг создает закономерность в этих данных. Данные очень массивны, время, необходимое для вычислений, увеличивается, и именно здесь вступает в действие машинное обучение, чтобы помочь людям с большими данными за минимальное время.

Таким образом, машинное обучение как технология помогает анализировать большие объемы данных, облегчая задачу специалистов по данным в автоматизированном процессе и получая равное значение и признание.

Методы, которые мы используем для интеллектуального анализа данных, существуют уже много лет, но мы обрабатывали эти данные человеческими усилиями, и это занимало довольно много времени. Если вы запустите глубокое обучение с доступом к более качественным данным, результат, который мы получим, приведет к значительным прорывам, которые представляют собой машинное обучение.

Типы машинного обучения: -

Обучение с учителемОсновная часть машинного обучения — это обучение с учителем. Таким образом, при обучении с учителем машина учится на предыдущих примерах. Итак, согласно простому определению Анджуум Кханна в этом обучении, мы предоставляем как входные, так и выходные данные. Эти данные используют алгоритм для получения функции отображения от входа к выходу.

В обучении с учителем мы можем разделить проблемы на две части: одна — классификация, а другая — регрессия.

Классификация. Проблема классификации возникает, когда выходной переменной является категория или группа, например «черный» или «белый», или «спам» и «без спама».

Регрессия. Проблема регрессии возникает, когда выходная переменная представляет собой реальное значение, например «рупии» или «рост».

Обучение без учителя В этом типе обучения обычно есть только входные данные. Выходных данных нет. Итак, я, Анджум Кханна, определяю очень интересным образом, что при неконтролируемом обучении алгоритмы предоставлены сами себе для обнаружения интересных структур в данных.

Поскольку выходных данных нет, поэтому у машины нет правильных ответов, машина должна сама найти все правильные ответы на основе алгоритма.

Проблемы обучения без учителя можно разделить на проблемы ассоциации и кластеризации.

Ассоциация. Проблема изучения правила ассоциации возникает, когда вы хотите обнаружить правила, описывающие большие части ваших данных, например, «люди, которые покупают X, также склонны покупать Y».

Кластеризация. Проблема кластеризации заключается в том, что вы хотите обнаружить неотъемлемую группировку данных, например группировку клиентов по покупательскому поведению.

Так что это очень интересный и инновационный тип машинного обучения, который развивается день ото дня. Этот тип обучения используется многими крупными компаниями для прогнозирования поведения потребителей и т. д.

Обучение с подкреплением. В этом типе обучения раньше использовалась компьютерная программа, которая взаимодействует с динамической средой, где она должна выполнять определенную цель (например, играть в игру с противником или водить машину). Программа получает обратную связь в виде поощрений и наказаний по мере того, как она перемещается по проблемному пространству.

С помощью этого алгоритма машину обучают принимать конкретные решения. Это работает следующим образом: машина подвергается воздействию среды, в которой она постоянно тренируется, используя обратную связь от последних задач.

Что может машинное обучение:

Я поражен, увидев изменения, которые происходят с искусственным интеллектом, особенно с машинным обучением. Есть несколько областей, где мы очень часто используем машинное обучение, даже не зная, что это машинное обучение. Вот некоторые из моих любимых областей машинного обучения:

Распознавание лиц. Машинное обучение можно использовать для распознавания лиц или сопоставления лиц на нескольких фотографиях.

Фильтрация электронной почты.С помощью машинного обучения мы можем классифицировать сообщения со спамом или без спама.

Медицинская диагностика. Это еще одна важная область, в которой машинное обучение очень важно. Мы можем диагностировать, есть ли у пациента конкретное заболевание или нет.

Прогноз погоды. С помощью старых данных мы можем прогнозировать погоду. Как будет дождь или нет.

Предпосылки для изучения машинного обучения: -

Машинное обучение требует много логики и вычислений, поэтому математика является его важной частью. Таким образом, он соответствует статистическим, вероятностным, информационным и алгоритмическим аспектам, возникающим в результате итеративного обучения на основе данных, которые можно использовать для создания интеллектуальных приложений.

Есть много причин, по которым математика машинного обучения необходима, и я выделяю эти моменты в следующих пунктах: -

  • Много математических знаний, необходимых для выбора подходящего алгоритма для задачи, включает в себя рассмотрение точности, времени обучения и сложности модели, количества параметров и количества характеристик.
  • Опять же, для выявления недообучения и переобучения с помощью компромисса смещения и дисперсии требуется.
  • Оценка правильного периода определения и неопределенности.

Таким образом, есть несколько основных тем, в которых стремящийся должен хорошо разбираться. Эти темы: -

  1. Линейная алгебра
  2. Теория вероятностей и статистика
  3. Исчисление
  4. Алгоритмы и комплексная оптимизация

Итак, наконец, я, Анджуум Кханна, хочу резюмировать, что машинное обучение — это часть ИИ, где мы настраиваем алгоритм для сокращения ввода данных. Этот алгоритм учится на примерах и работает идеально. Забыв о важности машинного обучения, разработчик должен хорошо знать математику и учиться на прошлом опыте, чтобы развиваться быстрее.

Первоначально опубликовано на сайте anjuumkhanna.in 10 сентября 2018 г.