1) Что такое машинное обучение в искусственном интеллекте (ИИ)?

Введение:

Машинное обучение — это часть искусственного интеллекта. Сейчас это очень модное слово. Если вы спросите кого-нибудь, кем вы хотите стать, то большинство людей ответят, что инженером по машинному обучению. Это не так просто, как кажется, здесь у вас есть огромный контроль над математикой и статистикой, чтобы стать хорошим инженером машинного обучения. На самом деле, это явная программа, которая помогает нам получить ярлык или предсказать ярлык, рекомендовать видео кому-либо в соответствии с его / ее поисковыми данными, предсказать спам в электронной почте или нет и т. д. Существуют различные вещи, которые используют машинное обучение, такие как самоуправляемые автомобили, Системы распознавания речи, карты Google и т. д. Есть еще одно модное слово, называемое «Общий ИИ», которое помогает нам вести себя с ИИ как с людьми.

Типы машинного обучения:

ML — это явная программа для создания интеллекта, например, во время игры в шашки. Алгоритм ML работает лучше, поскольку алгоритм ML получает данные. Ниже приведены некоторые типы алгоритмов машинного обучения:

  1. Контролируемое обучение (используется в реальных приложениях)
  2. Неконтролируемое обучение.
  3. Обучение с подкреплением
  4. Рекомендательные системы

Мы выберем правильный инструмент для конкретной проблемы после выявления проблемы и после получения идентификации мы сможем выбрать правильный алгоритм.

1) Контролируемое обучение:

Около 99% проблем сегодня решаются с помощью обучения с учителем. например

=› электронная почта — — — — — — —› спам (0/1) — — — — → фильтрация спама

=› аудио — — — — — — -› расшифровка текста — —› распознавание речи

=› Английский — — — — — — —› Испанский — — — — — → Машинный перевод

=› объявление, информация о пользователе — — → клик(0/1) — — — — —› интернет-реклама

=› изображение, информация о радаре → положение других автомобилей -> самоуправляемые автомобили

=› изображение телефона — → дефект(0/1) — — — — → визуальный осмотр

Регрессия и классификация являются типом контролируемого обучения.

=› классификация проблема прогнозирования категорий (это не должно быть число). Например, вы классифицируете две категории электронной почты, такие как спам или не спам. Вы можете сказать, что класс A — это спам, а класс B — не спам. В задаче классификации ваша модель сможет определить разницу между этими двумя классами после обучения. Вы не должны ограничивать категории. Я выбрал пример бинарной классификации, потому что здесь мы имеем дело с двумя классами: спам (1) и не спам (0). В задаче классификации может быть несколько классов. (Здесь у меня есть один из самых важных моментов: ваша модель может понимать только числа. Вы должны преобразовать все в числа, например, изображения, текст). Здесь мы также должны преобразовать категории в числа, такие как 0 и 1, если у вас есть более одной категории, затем преобразовать их в 0,1,2,3 и т. д. Это действительно весело.

=› Задачи регрессии предсказывают бесконечно возможные числа. Это также один из известных типов контролируемого обучения. Здесь мы можем взять пример системы прогнозирования цен на жилье, где вам нужно оценить цену дома, и это может быть бесконечное количество возможных чисел. Здесь вы имеете дело не с категориями или классами, здесь вы имеете дело с числами. Вы передадите обучающие функции x (особенности — это атрибуты дома, такие как местоположение, размер, комнаты, ванная комната и т. д.) модели с обучающей функцией y цены модели. После подачи данных ваша модель начнет находить шаблон, регулируя вес и смещение параметров (мы увидим весь механизм позже в блогах, которые могут помочь вам понять весь механизм). Здесь веса и смещения будут корректироваться таким образом, что, когда функции x будут умножены на вес (w) и добавлены со смещением (b), вы получите прогнозируемую цену (y = w * x + b). Я знаю, что это немного сложно понять на данном этапе, но не волнуйтесь, мы подробно рассмотрим все позже. Мы также поймем механизм обучения модели, механизм тестирования и так далее. Я также предоставлю вам код, который может помочь вам лучше понять.

2) Неконтролируемое обучение:

Здесь мы находим кое-что интересное с неразмеченными данными, например, кластеризация, k-Mean, K-ближайший сосед и т. д. Обучение без учителя — это действительно весело. Здесь у вас есть менее сложный механизм, такой как обучение с учителем. Здесь вы можете легко понять вещи по сравнению с контролем. Мы не можем сказать, что обучение без учителя не использует глубокое обучение. Но мы можем сказать, что здесь глубокое обучение меньше по сравнению с супервизией.

Примечание. Google также использует кластеризацию в Новостях Google, чтобы показывать связанные статьи, находя похожие теги или слова.

Здесь у вас нет входных данных x с выходными данными y для обучения модели, поэтому здесь мы находим структуру данных путем кластеризации, обнаружения аномалий (находим необычные точки данных), уменьшения размерности (сжимаем большой набор данных до меньшего, используя меньшее число).

Примечание. Остальные два типа алгоритмов мы напишем в следующих руководствах.

Первоначально опубликовано на https://dowaste.blogspot.com.