Машинное обучение — это изучение компьютерных алгоритмов, целью которых является воссоздание того, как человеческий мозг обрабатывает информацию.
Как мы идентифицируем объекты, как мы извлекаем информацию из данных, логический анализ и т. д.
Машинное обучение подразделяется на: контролируемое обучение, неконтролируемое обучение, обучение с подкреплением.
Как показано выше, машинное обучение — это разнообразное исследование, которое по-разному решает различные типы реальных проблем.
Контролируемое обучение:
В модели контролируемого обучения алгоритм обучается на помеченном наборе данных, предоставляя ключ ответа, который алгоритм может использовать для оценки своей точности на обучающих данных. Пример. Классификация изображения как кошки/собаки после изучения обучающего набора данных.
Часто мыподгоняем алгоритм к части данных, называемой обучающим набором данных, и получаем информацию из модели. И проверьте, являются ли наши данные правильными, сверившись с тестовым набором данных.
Неконтролируемое обучение:
Такие модели обучаются с использованием немаркированного набора данных, и им разрешено работать с этими данными без какого-либо контроля, т.е. учитывая немаркированный набор данных, получая выводы из этих данных путем их кластеризации по типам, идентифицированным алгоритмом. Например, маркировка спама по электронной почте, идентификация групп клиентов на основе данных фирмы и т. д.
Обучение с подкреплением и глубокое обучение:
Область машинного обучения, посвященная принятию соответствующих мер в отношении окружающей среды и стремлению максимизировать вознаграждение в конкретной ситуации. Он используется различными программами и машинами для поиска наилучшего возможного поведения или пути в конкретной ситуации. >.
Часто эти алгоритмы учатся на собственных ошибках и оптимизируют действия на основе опыта.
Далее в следующих статьях я в основном сосредоточусь на методах машинного обучения, связанных с бизнес-аналитикой, наукой о принятии решений и наукой о данных.
