Мы знаем, что машинное обучение — это компьютерная программа, которая дает машине возможность учиться на предоставленных данных, повышает производительность с опытом и принимает решения или делает прогнозы. мы видели это в предыдущем посте. Прежде чем перейти к типам машинного обучения, я кратко расскажу о процессе программирования или решения программ и о процессе разработки модели машинного обучения.

Традиционное программирование VS Машинное обучение

  • В традиционном программировании мы разрабатываем программу на определенном языке, которая содержит набор правил и данных. После успешной компиляции и запуска мы получим желаемый вывод или результат. Следовательно, традиционное программирование означает разработку программистом определенных правил и получение желаемого результата путем предоставления данных.
  • В машинном обучении мы должны передавать данные, которые содержат как входные, так и выходные данные, которые являются желаемым результатом. Используя эти данные, модель будет обучаться и вырабатывать определенные правила или параметры. Итак, используя эти правила, мы можем предсказать вывод данных, которые неизвестны модели.

В этом основное различие между традиционным программированием и машинным обучением. Рисунок, приведенный ниже, дает наглядное представление вышеупомянутой концепции.

Теперь мы знакомы с разницей между программированием и машинным обучением и этапами разработки машинного обучения. Теперь давайте посмотрим на типы машинного обучения.

Типы машинного обучения

Используя тип данных, предоставляемых модели, и результат модели, они делятся на три основных класса. Шаги по построению модели машинного обучения одинаковы для всех типов машинного обучения. Я дам краткую информацию о каждом по отдельности.

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

Контролируемое машинное обучение

В контролируемом машинном обучении данные, которые мы должны передать модели, должны быть помечены как данные. Помеченные данные означают, что данные находятся в паре входных и выходных данных. Итак, мы будем подавать данные с вводом и выводом. Модель будет обучаться на основе обучающих данных. Затем мы должны протестировать модель и проверить точность модели. Для этого мы будем использовать данные, неизвестные модели, которые называются тестовыми данными. Следующее изображение иллюстрирует эту концепцию намного лучше.

На основе выходных данных в машинном обучении с учителем снова есть две категории. Если выходные данные дискретны, то модель рассматривается в регрессии, а данные являются категориальными, то они будут учитываться при классификации. Давайте посмотрим, что такое регрессия и классификация.

  • Регрессия. Регрессия означает, что выходные данные представлены в дискретной форме. Есть несколько примеров регрессии, таких как прогноз цен на жилье, прогноз оценок за семестр на основе учебных часов и т. Д. В регрессии мы должны найти связь, которая лучше всего соответствует заданным данным. Опять же, есть две небольшие категории регрессии: линейная регрессия и нелинейная регрессия. Если данные представлены в линейном формате, то наиболее подходящей линией будет прямая линия. Если линия не прямая, то это называется нелинейной регрессией. Я не говорю сейчас ни о каких технических вещах. Я сделаю еще один пост, как мы продолжим. Линейная регрессия, машина опорных векторов — вот некоторые алгоритмы регрессии.

  • Классификация. Если выходные данные являются категориальными и в выходных данных есть несколько классов, лучше использовать классификацию. Мы должны передать данные и сделать прогноз класса данных. Существует множество алгоритмов классификации, таких как алгоритм дерева решений, метод опорных векторов, логистическая регрессия, k ближайших соседей и т. д. Я объясню все эти алгоритмы в следующих постах по мере их углубления.

Теперь у нас есть основная идея о контролируемом машинном обучении, регрессии и классификации.

Неконтролируемое машинное обучение

При неконтролируемом машинном обучении мы должны вводить немаркированные данные. Неразмеченные данные означают данные без вывода. Мы передадим эти данные в модель, и модель будет генерировать категории, анализируя свойства. Хорошим примером машинного обучения без учителя является кластеризация.

  • Кластеризация. При кластеризации результатом кластеризации являются категории или классы.

Машинное обучение с подкреплением

Обучение с подкреплением — это метод обучения на основе обратной связи, при котором обучающийся агент получает вознаграждение за каждое правильное действие и штраф за каждое неправильное действие. Данные, предоставляемые модели, также являются немаркированными данными. Проще говоря, можно сказать, что выход зависит от состояния текущего входа, а следующий вход зависит от выхода предыдущего входа. В обучении с подкреплением решение является зависимым, поэтому мы даем ярлыки последовательностям зависимых решений. Вы получите больше ясности из изображения, приведенного ниже.

Проблемы обучения с подкреплением такие, как игра в шахматы, робот хочет дотянуться до бриллиантов, не касаясь препятствий. В этих играх модели должны действовать соответствующим образом, анализируя предыдущий шаг.

Вывод

В этом посте я кратко рассказал о разнице между традиционным программированием и машинным обучением. Также кратко дана информация о видах машинного обучения.

Спасибо.

Первоначально опубликовано на https://omkarraut.substack.com.