Введение в машинное обучение

Машинное обучение — это отрасль искусственного интеллекта и информатики, которая фокусируется на имитации человеческого обучения, что позволяет компьютерам «самообучаться» на обучающих данных без явного программирования, что постепенно повышает его точность.

Его также можно определить как «Изучение алгоритмов, которые улучшают свою производительность P для некоторой задачи T с опытом E».

Машинное обучение можно условно разделить на 4 типа. Они
1. Обучение с учителем
2. Обучение без учителя
3. Обучение с подкреплением
4. Обучение с частичным учителем

Обучение с учителем:
Оно основано на контроле. Мы обучаем модель с помеченными данными, которые предсказывают результат. Его можно разделить на классификацию и регрессию
(a). Классификация:
Алгоритмы классификации имеют дело с проблемами, в которых выходная переменная является категориальной. Некоторыми из алгоритмов классификации являются случайный лес, деревья решений и машина опорных векторов.
Примеры: спам или не спам, да или нет

(б). Регрессия.
Алгоритмы регрессии имеют дело с проблемами, в которых существует линейная зависимость между входными и выходными переменными, в которой выход представляет собой непрерывное значение. Некоторые из самых известных алгоритмов регрессии — это логистическая регрессия, линейная регрессия, деревья решений и многие другие…
Примеры: Прогнозы цен

Обучение без учителя.
Оно включает в себя обучение с использованием неразмеченных данных без какого-либо наблюдения, которое предсказывает результат. Его можно разделить на ассоциацию и кластеризацию.
(a). Ассоциация:
Ассоциация связана с проблемами, в которых нахождение зависимости одной точки данных на другую точку данных и соответствующим образом сопоставить эти переменные, чтобы получить максимальную прибыль. Некоторыми популярными алгоритмами изучения правила ассоциации являются априорный алгоритм, Eclat и алгоритм роста FP.
(b). Кластеризация:
Используется кластеризация. группировать точки данных в кластеры, в которых точки данных с высокой корреляцией остаются в одном кластере. Некоторые из популярных алгоритмов кластеризации — это алгоритм кластеризации K-средних, анализ основных компонентов.

Обучение с подкреплением.
Обучение с подкреплением работает в процессе, в котором агент ИИ автоматически исследует свое окружение, нанося удары и отслеживая, предпринимая действия, извлекая уроки из опыта и улучшая свою производительность. Агент ИИ вознаграждается за каждое хорошее действие. Таким образом, цель состоит в том, чтобы максимизировать вознаграждение. Это может быть позитивное и негативное обучение с подкреплением.
(a). Позитивное обучение с подкреплением:
 указывает на усиление тенденции и частоты поведения при возникновении определенного события. Это влияет положительно.
(b). Негативное обучение с подкреплением:
 повышает склонность к повторению определенного поведения, избегая негативного состояния. Это работает прямо противоположно позитивному обучению с подкреплением.

Полууправляемое обучение:
это тип алгоритма машинного обучения, который находится точно между контролируемым и неконтролируемым машинным обучением, алгоритм обучается на комбинации размеченных и неразмеченных данных.
Примеры: анализ речи

В этом блоге я познакомил вас с основными понятиями машинного обучения и надеюсь, что этот блог был вам полезен. В будущем я буду загружать все о машинном обучении.