Какво е машинно обучение?
Машинното обучение е малка област на приложение на изкуствения интелект, в която машините автоматично се учат от операциите и се усъвършенстват, за да дадат по-добър резултат. Въз основа на събраните данни, машините са склонни да работят върху подобряването на компютърните програми, изравняващи се с необходимия изход. Благодарение на тази способност на машината да учи самостоятелно, не се изисква изрично програмиране на тези компютри. Тя вече проникна в живота ни навсякъде, без ние да знаем. Практически всяка машина, която използваме и машините за напреднали технологии, на които сме свидетели през последното десетилетие, включва машинно обучение за повишаване на качеството на продуктите. Някои примери за машинно обучение са самостоятелно шофиране на автомобили, разширено търсене в мрежата, разпознаване на реч.
Основната цел на хората е да разработят алгоритъм за учене на машините по начин, който помага на машините да учат автоматично, без каквато и да е човешка намеса. Ученето като има предвид, че зависи от данните, които се въвеждат, където машините наблюдават и разпознават някои модели и тенденции. С всяка нова точка от данни, разбирането на машината се подобрява и изходът е по-подравнен и надежден. Данните могат да бъдат числови стойности, директен опит, изображения и т.н., което също допринася за това как да подходим към всеки проблем, който искахме да разрешим с помощта на машинно обучение. Също така има различни видове подходи за машинно обучение, базирани на вида на изхода, от който се нуждаете.
Разлика между конвенционалното програмиране и машинното обучение
Конвенционално програмиране = Логиката е програмирана + Данните се въвеждат + Логиката се стартира върху данните + Изход
Машинно обучение = Въвеждат се данни + Въвежда се очакван изход + Пуснете го на машината за обучение на алгоритъма от вход към изход, накратко, нека създаде своя собствена логика за достигане от вход до изход + Обучен алгоритъм, използван за тестови данни за прогнозиране
Методи за машинно обучение
Имаме четири основни типа методи за машинно обучение, базирани на вида обучение, който очакваме от алгоритмите:
1. Контролирано машинно обучение
Използвани са контролирани алгоритми за учене, когато продукцията е класифицирана или етикетирана. Тези алгоритми се учат от миналите данни, които се въвеждат, наречени като тренировъчни данни, изпълняват своя анализ и използват този анализ, за да предскажат бъдещи събития на всякакви нови данни в рамките на известните класификации. Точното прогнозиране на тестовите данни изисква големи данни, за да има достатъчно разбиране на моделите. Алгоритъмът може да бъде обучен допълнително чрез сравняване на резултатите от обучението с действителните и използване на грешките за модификация на алгоритмите.
Пример от реалния живот:
- Класификация на изображението - Алгоритъмът се изготвя от захранване с етикетирани данни от изображението. Алгоритъмът е обучен и се очаква, че в случай на новото изображение алгоритъмът го класифицира правилно.
- Предсказване на пазара - Нарича се още Регресия. Историческите данни за бизнес пазара се подават към компютъра. С алгоритъм за анализ и регресия се прогнозира нова цена за бъдещето в зависимост от променливите.
Нека преминем към следващите основни видове методи за машинно обучение.
2. Ненадзорно машинно обучение
Ненадзорните алгоритми за обучение се използват, когато не сме наясно с крайните резултати и класификацията или етикетираните резултати не са на наше разположение. Тези алгоритми изучават и генерират функция за описание на напълно скрити и без етикети модели. Следователно няма правилен изход, но той изучава данните, за да издава неизвестни структури в незабелязани данни.
Пример от реалния живот:
- Клъстериране - Данните с подобни черти са помолени да групират заедно по алгоритъма, това групиране се нарича клъстери. Те се оказват полезни при проучването на тези групи, които могат да бъдат приложени върху всички данни в клъстера повече или по-малко.
- Данни с големи размери - Данните с големи размери обикновено не са лесни за работа. С помощта на безконтролно обучение става възможно визуализирането на данни от високо измерение
- Генеративни модели - След като вашият алгоритъм анализира и излезе с разпределението на вероятността на входа, той може да се използва за генериране на нови данни. Това се оказва много полезно в случаи на липсващи данни.
3. Укрепване машинно обучение
Този тип алгоритъм за машинно обучение използва метода за изпробване и грешка, за да изглади изхода въз основа на най-високата ефективност на функцията. Резултатът се сравнява, за да се открият грешки и обратна връзка, които се връщат обратно към системата, за да се подобри или максимизира нейната производителност. Моделът е снабден с награди, които са основно обратна връзка и наказания в неговите операции, докато изпълнява определена цел.
4. Полу-контролирано машинно обучение
Тези алгоритми обикновено вземат етикетирани и необелязани данни, където количеството на незабелязаните данни е голямо в сравнение с етикетираните данни. Тъй като тя работи както с, така и между алгоритми на контролирано и неподдържано обучение, следователно се нарича полуконтролирано машинно обучение. Счита се, че системите, използващи тези модели, имат подобрена точност на обучение.
Пример - Архивът на изображения може да съдържа само някои от данните му, обозначени, напр. Куче, котка, мишка и голям парче изображения остават без етикет.
Модели, базирани на вида на резултатите от алгоритмите
По-долу са типовете модели на машинно обучение, базирани на вида на резултатите, които очакваме от алгоритмите:
1. Класификация
Има разделение на класове на входовете, системата произвежда модел от данни за обучение, при което тя присвоява нови входове към един от тези класове
Попада под чадъра на контролираното обучение. Примерът в реалния живот може да бъде филтриране на спам, където имейлите са входът, който е класифициран като „спам“ или „не спам“.
2. Регресия
Регресионният алгоритъм също е част от контролираното обучение, но разликата е, че резултатите са непрекъснати променливи и не са дискретни.
Пример - Прогнозиране на цените на жилищата с помощта на минали данни
3. Намаляване на размерите
Този тип машинно обучение е свързан с анализи на входовете и свеждането им само до съответните, които да се използват за разработване на модел. Избор на функции, т.е. избор на вход и извличане на функции, са допълнителни теми, които трябва да бъдат разгледани за по-добро разбиране на намаляването на размерите.
Въз основа на горните различни подходи има различни алгоритми, които трябва да бъдат разгледани. Някои много често срещани алгоритми са линейна и логистична регресия, K-най-близките съседи, дървета на решения, машини за поддръжка, Random Forest и др. С помощта на тези алгоритми сложните проблеми с решения могат да имат усещане за посока, базирана на огромно количество данни, За да се постигне тази точност и възможности, се изискват допълнителни ресурси, както и време. Машинното обучение, използвано заедно с изкуствения интелект и други технологии, е по-ефективно за обработка на информация.
Препоръчителни статии
Това е ръководство за Видовете машинно обучение. Тук обсъдихме концепцията, различния метод и различния вид модел за алгоритмите. Можете да разгледате и другите ни предложени статии, за да научите повече -
- Техники за машинно обучение
- Какво е дълбокото обучение
- Какво е машинно обучение?
- Въведение в машинното обучение
- Хиперпараметрово машинно обучение