Все о машинном обучении и распознавании изображений

Включен проект по обнаружению рака

Обратите внимание, что существует множество определений AI, ML и их можно определять по-разному, исходя из потребностей и задач. Для целей моей статьи и проекта определения были выбраны надлежащим образом. Также обратите внимание, что я еще не эксперт. 😀Также обратите внимание, что большая часть статьи будет формальными и техническими подробностями, вы можете просмотреть проект, который я сделал ближе к концу статьи.

Что такое машинное обучение?

Машинное обучение — это ветвь искусственного интеллекта (ИИ) и способность машины обучаться. Это метод анализа данных, который автоматизирует построение аналитической модели. Машинное обучение может учиться на данных, выявлять закономерности и принимать решения с минимальным вмешательством человека.

Методы машинного обучения

1. Контролируемое обучение

Обучение с учителем (SL) является частью машинного обучения и представляет собой метод, используемый машинами для изучения конкретной задачи. Он определяется использованием помеченных наборов данных для обучения алгоритмов, которые классифицируют данные или предсказывают результаты. В контролируемом обучении есть пара входного объекта и желаемого выходного значения. Его можно использовать для классификации данных или точного прогнозирования результатов. Некоторые методы, используемые в обучении с учителем, включают нейронные сети, линейную регрессию, логистическую регрессию, случайный лес, метод опорных векторов (SVM) и другие.

Например, мы можем вводить цифровые изображения кошек, собак и кур, маркировать данные и обучать машинное обучение. Для обучения мы можем ввести в алгоритм больше изображений и проверить, правильно ли машина указывает животное. В ходе этого процесса обучения машина начинает изучать различия между каждым животным по вводу и правильному выводу. Затем его можно использовать для классификации данных или прогнозирования результатов. Когда вы вводите изображение собаки, алгоритм обучения с учителем классифицирует его как собаку.

Как работает контролируемое обучение

Обучение с учителем можно разделить на два типа — классификационное и регрессионное.

• Классификация использует алгоритм для точного распределения тестовых данных по определенным категориям. Он распознает определенные объекты в наборе данных и пытается сделать выводы о том, как их следует маркировать или определять. Распространенными алгоритмами классификации являются линейные классификаторы, машины опорных векторов (SVM), деревья решений, k-ближайший сосед и случайный лес.
• Регрессия используется для понимания связи между независимыми и зависимыми переменными. Он обычно используется для составления прогнозов, таких как доход от продаж для данного бизнеса. Линейная регрессия, логистическая регрессия и полиномиальная регрессия являются популярными алгоритмами регрессии.

Примеры контролируемого обучения

• Распознавание изображений и объектов. Алгоритмы контролируемого обучения можно использовать для поиска и классификации объектов на видео или изображениях, что делает их полезными при анализе изображений.
• Прогнозная аналитика. Модели обучения с учителем можно использовать при создании систем прогнозной аналитики для получения более глубокого понимания. Их можно использовать в бизнесе, чтобы позволить предприятиям предвидеть определенные результаты на основе заданных входных и выходных переменных. Это может быть полезно, помогая бизнес-лидерам принимать решения по улучшению компании.
• Обнаружение спама. Для обнаружения спама можно использовать режимы контролируемого обучения. Используя контролируемые алгоритмы классификации, организации могут обучать базы данных распознавать закономерности в новых данных и эффективно упорядочивать спам и не спам.

2. Неконтролируемое обучение

Неконтролируемое обучение, также известное как неконтролируемое машинное обучение, использует алгоритмы машинного обучения для анализа и кластеризации немаркированных наборов данных. он использует алгоритмы искусственного интеллекта для выявления закономерностей в наборах данных, содержащих данные, которые не классифицированы и не помечены. При неконтролируемом обучении машина самостоятельно идентифицирует закономерности в наборах данных без вмешательства человека. Алгоритмы, используемые в неконтролируемом обучении, включают нейронные сети, кластеризацию k-средних, вероятностные методы кластеризации и многое другое.

Например, при наличии немаркированных данных, таких как арбузы и яблоки, модель ML распознает различия. Он распознает определенные детали, такие как яблоки, которые были во входных данных, были красными, а арбузы — зелеными. Как только он находит много деталей, он классифицирует их.

Примеры обучения без учителя

• Новостные разделы: Новости Google используют неконтролируемое обучение для категоризации статей на одну и ту же тему из новостных агентств в Интернете.
• Компьютерное зрение. Алгоритмы обучения без учителя также можно использовать для задач визуального восприятия, таких как распознавание объектов.
• Медицинская визуализация. Неконтролируемое машинное обучение также можно использовать в медицинских устройствах визуализации, таких как обнаружение, классификация и сегментация изображений, для быстрой и точной диагностики пациентов.
• Системы рекомендаций. Неконтролируемое обучение может помочь в выявлении тенденций данных, которые можно использовать для разработки более эффективных стратегий перекрестных продаж. Используя это, можно давать рекомендации клиентам.

3. Полуконтролируемое обучение

Полууправляемое обучение — это подход к машинному обучению, который сочетает в себе небольшой объем размеченных данных с большим объемом неразмеченных данных во время обучения. Это смесь контролируемого и неконтролируемого обучения. Полууправляемое обучение может решить проблему нехватки размеченных данных.

БОНУС: обучение с подкреплением

Машинное обучение с подкреплением — это модель машинного обучения, аналогичная обучению с учителем, но выборочные данные не используются для обучения алгоритма. Модель использует процесс проб и ошибок для обучения. Последовательность успешных результатов будет усилена для разработки машины. Он вознаграждает желаемое поведение и наказывает нежелательное. В общем, агент обучения с подкреплением способен воспринимать и интерпретировать свою среду, предпринимать действия и учиться методом проб и ошибок.

Использование машинного обучения

Вот лишь несколько примеров использования машинного обучения в реальном мире:

Распознавание речи. Также известное как автоматическое распознавание речи (ASR), компьютерное распознавание речи или преобразование речи в текст, это использование машинного обучения, которое использует обработку естественного языка (NLP) для преобразования человеческой речи в письменный формат. Многие мобильные устройства включают распознавание речи, например Siri. Они не только революционны, но и обеспечивают большую доступность текстовых сообщений для людей с ограниченными возможностями.

Обслуживание клиентов. Онлайн-чат-боты заменяют людей на пути клиента. Они отвечают на часто задаваемые вопросы (FAQ) по таким темам, как доставка, или предоставляют персональные советы, перекрестные продажи продуктов и т. д. Примеры включают боты для обмена сообщениями на сайтах электронной коммерции с виртуальными агентами, приложения для обмена сообщениями, такие как Slack и Facebook Messenger, и задачи, обычно выполняемые виртуальными помощниками и голосовыми помощниками.

Компьютерное зрение. Эта технология позволяет компьютерам и системам извлекать информацию из цифровых изображений, видео и других визуальных данных. Компьютерное зрение, основанное на сверточных нейронных сетях, находит применение в маркировке фотографий в социальных сетях, рентгенологических изображениях в здравоохранении и беспилотных автомобилях в автомобильной промышленности.

Системы рекомендаций. Алгоритмы ИИ, используя данные о прошлом потреблении, могут помочь выявить тенденции данных, которые могут помочь в продажах. Соответствующие добавления и рекомендации возможны с использованием машинного обучения.

Распознавание изображений

Распознавание изображений — хорошо известный и широко распространенный пример машинного обучения в реальном мире. Его можно использовать для идентификации объекта. Распознавание изображений — это способность системы или программного обеспечения идентифицировать объекты, людей, места и действия на изображениях. Распознавание изображений использует глубокое обучение, которое является продвинутой формой машинного обучения. Глубокое обучение отличается от машинного обучения тем, что использует многоуровневую нейронную сеть.

В глубоком обучении используются три типа слоев: входной, скрытый и выходной. Данные принимаются входным слоем и передаются скрытым слоям для обработки. Затем выходной слой генерирует результат. Чтобы обучить нейронную сеть глубокому обучению, нам нужен огромный набор данных. Можно сказать, что глубокое обучение имитирует процесс логического мышления человека и постоянно учится на наборе данных. Нейронная сеть, используемая для распознавания изображений, известна как сверточная нейронная сеть (CNN).

Способ распознавания изображений обычно включает создание нейронной сети, которая обрабатывает отдельные пиксели изображения. Исследователи загружают как можно больше предварительно помеченных изображений, чтобы «научить» их распознавать похожие изображения. Он использует технологии машинного зрения с искусственным интеллектом и обученные алгоритмы для распознавания изображений через систему камер.

Обзор проекта

Давайте, наконец, перейдем к неформальному, дружескому общению! 😁

Во-первых, я сделал проект, который использует распознавание изображений для классификации собак и кошек. Я сделал этот проект, используя обучаемую машину, которая использует тензорный поток. Я собрал изображения и наборы данных с помощью Kaggle. Подробнее об этих 3 источниках ниже!

Давайте посмотрим, как работает программа. Я собираюсь загрузить фотографию собаки, которую я не давал для обучения машины.

Результаты. Собака указана в качестве результата со 100% уверенностью.

То же самое происходит, когда мы тестируем изображение кошки. Но давайте усложним задачу машине.

Это изображение, которое я тестировал. Человеку довольно сложно это проверить, поэтому давайте посмотрим, что говорит машина. Нет правильного или неправильного ответа, так как это похоже на обоих животных, но мы можем назвать его собакой, поскольку именно это я и искал.

Вот результат:

97% собака и 3% кошка. Довольно хорошая точность для машины.🤖

Но это было недостаточно круто или полезно. Поэтому я решил построить модель для идентификации злокачественного и доброкачественного рака кожи.

Для этого проекта я использовал много изображений, более 1000, и пометил их как доброкачественные и злокачественные. Теперь я могу протестировать программу на других изображениях рака кожи.

Это очень полезно в сфере здравоохранения, поскольку дает быстрые и точные результаты. Большинство из них были на 100% точными, но некоторые отличались. Хотя мой проект может быть не на 100 % точным, поскольку у меня всего более 1000 изображений 😂, использование большего количества изображений из надежных источников может произвести революцию в индустрии персонализированного здравоохранения 🏥 как люди. могут проверить себя еще до прихода врачей 👩‍⚕️👨‍⚕️. Это также спасает больше жизней!💉

Обучаемая машина

Teachable Machine — это веб-инструмент, который делает создание моделей машинного обучения быстрым, простым и доступным для всех. Он создан Google для обучения и развертывания моделей машинного обучения.

ТензорФлоу

TensorFlow — это библиотека с открытым исходным кодом для машинного обучения и искусственного интеллекта. Специально для числовых вычислений и крупномасштабного машинного обучения и был создан командой Google Brain. Он объединяет множество моделей и алгоритмов машинного и глубокого обучения и делает их полезными.

Каггл

Kaggle является дочерней компанией Google. Это онлайн-сообщество специалистов по обработке и анализу данных и специалистов по машинному обучению. Он позволяет пользователям находить и публиковать наборы данных, исследовать и создавать модели в веб-среде обработки данных, работать с другими учеными и инженерами по машинному обучению, а также участвовать в соревнованиях по решению задач науки о данных.

На этом статья заканчивается! Это было долго, но я надеюсь, что вы многому научились и вдохновились, чтобы узнать больше и создать свои собственные проекты. Если вам понравилась статья, поддержите меня,похлопав 👏 иподелившись ⏩ этой статьей.

Прочитайте приведенную выше статью, написанную мной😊, в качестве руководства по искусственному интеллекту для начинающих!

Мы предоставляем возможность следующему поколению студентов-мыслителей, изобретателей и учащихся публиковать свои мысли, идеи и инновации в письменной форме.
Наши авторы охватывают все области тем — от Рост до технологий, вплоть до будущего и мира.
Так что, если вы чувствуете, что вот-вот прыгнете в кролика дыра в чтении этих невероятных статей, не волнуйтесь, мы чувствуем то же самое. ;)
Вот почему студенты x студенты — это место, где ваш голос будет услышан!
Звучит интересно? Почему бы не присоединиться к нам в этом эпическом путешествии?