Привет, ребята!
Вы слышали о термине «машинное обучение» раньше и, конечно же, кто-то сказал вам, что машинное обучение и ИИ возьмут на себя общую работу. но подождите, собственно, что это такое. Давайте пройдемся по машинному обучению проще, чем когда-либо прежде, а что это не так?
Обзор:
Что такое машинное обучение?
Типы
Машинное обучение с учителем
Машинное обучение без учителя
Введение в регрессию
Введение в классификацию
Краткое описание кластеризации < br /> Кратко об ассоциации
Что такое ML?
Согласно определению машинного обучения Тома Митчелла
'Компьютерная программа, как говорят, учится на опыте E в отношении некоторого класса задач T и показателя производительности P, если ее производительность в задаче T, измеренная с помощью P, улучшается с опыт Э. '
Пример:
игра в шашки.
E = опыт игры во многие игры в шашки
T = задача игры в шашки
P = вероятность того, что программа выиграет в следующей игре .
Типы:
Проблемы машинного обучения можно разделить на обучение с учителем и обучение без учителя.
Обучение с учителем:
При обучении с учителем вы тренируете машину, используя размеченные данные. Короче говоря, некоторые данные уже знают, как должен выглядеть их правильный вывод, и существует взаимосвязь между входными и выходными данными.
Проблемы контролируемого обучения подразделяются на две категории: регрессия и классификация.
Регрессия:
Метод регрессии предсказывает одно выходное значение с использованием обучающих данных.
Пример: вы можете использовать регрессию для прогнозирования стоимости дома на основе данных обучения. Входными переменными будут местонахождение, размер дома и т. Д.
Классификация:
Классификация означает группировку вывода внутри класса. Если алгоритм пытается разделить входные данные на два разных класса, это называется двоичной классификацией. Выбор между более чем двумя классами называется многоклассовой классификацией.
Пример: определение того, будет ли кто-то неплательщиком ссуды.
Обучение без учителя:
Это имеет дело с немаркированными данными. Алгоритмы неконтролируемого обучения, которые позволяют нам выполнять более сложные задачи обработки и могут быть более непредсказуемыми по сравнению с другими.
Проблемы обучения без учителя подразделяются на проблемы кластеризации и ассоциации.
Обучение без учителя позволяет нам подходить к решению проблем, практически не имея представления о том, как должны выглядеть наши результаты. мы можем получить структуру из данных, в которых нам не обязательно знать влияние переменных.
Ассоциация:
правила ассоциации позволяют устанавливать ассоциации между объектами данных в больших базах данных. эта неконтролируемая техника раскрывает интересную взаимосвязь между переменными в больших базах данных.
Пример:
Люди, которые покупают телефон, скорее всего, купят чехол для телефона.
Вот список наиболее часто используемых алгоритмов машинного обучения:
Линейная регрессия
Логистическая регрессия
Древо решений
SVM
Наивный байесовский
кНН
К-средние
Случайный лес
Алгоритмы уменьшения размерности
Алгоритмы повышения градиента
GBM
XGBoost
LightGBM
CatBoost
Спасибо!
