в чем разница между алгоритмом ML и моделью ML?

Машинное обучение — это ответвление ИСКУССТВЕННОГО ИНТЕЛЛЕКТА. Это важный элемент развивающейся области науки о данных. Благодаря использованию статистических методов алгоритмы обучаются делать классификации или прогнозы, раскрывая ключевые идеи в проектах интеллектуального анализа данных.

Алгоритм ML и модели ML являются важными частями системы машинного обучения. Это действительно сбивает с толку, и новички часто используют эти термины как взаимозаменяемые, но это определенно не одно и то же.

Создается алгоритм, который компьютер позже использует для поиска модели, которая лучше всего соответствует данным, и делает на ее основе точный прогноз.

давайте подробно узнаем, чем алгоритм ML отличается от модели ML.

Что такое алгоритм машинного обучения?

мы предоставляем машине алгоритм, список правил и описаний, которые позволяют машине учиться самостоятельно. Это процесс проб и ошибок, где каждый след является шагом обучения для машины и самосовершенствования.

  1. Это процедура, которая работает с данными для создания «модели» машинного обучения.
  2. Это набор правил, которым мы следуем, чтобы решить проблему.
  3. Он используется для обучения модели набору данных.
  4. Он выполняет «распознавание образов», учится на данных и пытается подогнать модель под наборы данных.

Существует так много разных алгоритмов машинного обучения,

  • Линейная регрессия
  • Логистическая регрессия
  • Древо решений
  • SVM
  • Наивный Байес
  • kNN
  • K-средние
  • Случайный лес

Алгоритм машинного обучения может в конечном итоге представлять модель машинного обучения, т. е. алгоритм машинного обучения = модель машинного обучения.

Что такое модель машинного обучения?

  1. Модель — это то, что мы строим с помощью алгоритма.
  2. Это результат алгоритма ML, который работает с данными и представляет то, что было изучено алгоритмом ML.
  3. Когда алгоритм обучается на некоторых наборах данных, он становится «моделью».

Модель машинного обучения = данные модели + алгоритм прогнозирования.

мы предоставляем модель с огромным количеством данных для обучения модели. Поскольку мы предоставляем большие наборы данных, мы обучаем модель для различных сценариев, машина научится справляться со всеми этими ситуациями самостоятельно в процессе проб и ошибок.

В отличие от алгоритмов, мы не предоставляем список инструкций или правил для обучения модели, вместо этого мы даем конечную цель, которую должна достичь модель. Для достижения этой цели модель была обучена для многих испытаний, в ходе этих испытаний мы точно настраиваем гиперпараметры для достижения наилучшего соответствия модели заданному набору данных, мы можем назвать это целевой функцией мерой неточности модель. Мы используем алгоритмы оптимизации для повышения производительности модели.

Справочник

  1. https://www.ibm.com/cloud/learn/machine-learning
  2. https://www.udemy.com/course/the-data-science-course-complete-data-science-bootcamp