Машинное обучение, похоже, мы движемся к миру машин, которые работают автоматически. На самом деле да, в этом процессе мы работаем с различными моделями, которые работают с математикой и статистикой.

Что такое машинное обучение?

Это ветвь искусственного интеллекта или человеческого интеллекта, которая помогает нам прогнозировать или обнаруживать выходные данные на основе ранее наблюдаемых данных. ML — один из наиболее часто используемых инструментов для прогнозирования тенденций на фондовом рынке. Возможно, вы слышали о деревьях, анализе временных рядов, глубоком обучении, XGBoost и других важных инструментах классификации. Они используются для получения прогнозов с максимальной точностью.

Машинное обучение делится на три части:

  1. Контролируемое машинное обучение
  2. Неконтролируемое обучение
  3. Обучение с подкреплением

Контролируемое машинное обучение:

Supervised ML — один из наиболее часто используемых алгоритмов. При этом мы будем иметь дело с данными, которые нам уже известны, что означает, что мы знаем шаблон вывода, наблюдаемый из предыдущих данных. В этих алгоритмах мы пытаемся предсказать значение зависимой переменной с помощью независимой переменной (переменных).

Далее он делится на регрессию и классификацию. Регрессия — это прогнозирование непрерывного значения, которое рассчитывается на основе прошлых наблюдаемых данных.

Бывший . Прогнозы цен на жилье, Прогнозы цен на золото, Прогнозы цен на акции

Классификация, как мы можем понять из самого названия, мы должны классифицировать, истинно оно или ложно. Многие типы да/нет или бинарные прогнозы рассчитываются инструментами, используемыми в моделях классификации. Существуют также многоклассовые классификации, о которых заботится модель. Ниже приведены некоторые из моделей классификации: логистическая регрессия, дерево решений и т. д.

Неконтролируемое машинное обучение:

В неконтролируемом ML он содержит те же компоненты, что и контролируемый ML, но основное различие между контролируемым и неконтролируемым ML заключается в том, что неконтролируемый ML не содержит в себе зависимую переменную. Возможно, обучающие данные не помечены несколькими инструментами, которые сами пытаются изучить метки.

Например, у нас слишком много посетителей, которые ежедневно посещают наш бизнес-сайт. Через определенное время вы заметите, что посетители не одного типа. У них разные потребности для вашего сайта. Вы можете изучить их клики и поместить группу посетителей в определенный кластер. Таким образом, модель создает кластеры посетителей с разными потребностями на нашем сайте. Мы можем использовать этот алгоритм, чтобы помочь им найти хороший товар, используя рекомендательную систему.

Обучение с подкреплением:

Обучение с подкреплением используется в робототехнике или действиях, где действия должны выполняться машиной автоматически с использованием в ней нескольких алгоритмов. Агент, среда, вознаграждение и наказание — наиболее часто используемые термины в обучении с подкреплением. Агент помещается в среду, где принимаются разные решения. Агент принимает решение правильно, тогда он получает вознаграждение, если ему не удается принять правильное решение, он получает отрицательное вознаграждение или штраф. Шаги рассчитываются с помощью различных статистических инструментов, таких как стохастический процесс, и связанных с ним вероятностей. Агент движется в направлении, которое дает максимальную вероятность. Если мы перейдем к глубокому обучению с подкреплением, само по себе это широкая тема.

Я попытался предоставить эту информацию учащимся, которые сталкиваются с проблемами при изучении машинного обучения. Надеюсь, это поможет им.

Будет очень любезно, если вы сообщите мне, есть ли какие-либо исправления.

Спасибо!!!