Машинное обучение — это одна из ветвей или частей искусственного интеллекта. Оно дает возможность учиться и совершенствовать опыт без какой-либо явной программы. Машинное обучение обычно сосредоточено на развитии компьютерного программного обеспечения и приложений. Их можно использовать для доступа к данным и самообучения. Фактическая процедура обучения начинается с данных или исследования, такого как прямая интуиция или поиск закономерностей в данных, и на основе приведенных примеров решает, что лучше выбрать в ближайшем будущем!
Предварительная цель состоит в том, чтобы дать компьютерам возможность обучаться автоматически, без какой-либо помощи или вмешательства человека, и задавать необходимые действия соответственно. Однако, используя подобные классические алгоритмы, текст можно рассматривать как массив ключевых слов. А методология, зависящая от семантического исследования, имитирует человеческую способность осознавать существенность текста!
Что такое машинное обучение?
Являясь частью/разновидностью искусственного интеллекта, МИ или машинное обучение направлено на создание программного обеспечения и приложений, которые учатся на основе данных и повышают точность, не будучи запрограммированными на это.
МИ используется в различных секторах, таких как поисковые системы, каналы электронной почты для выявления спама, банковские программы для выявления необычных обменов, сайты для создания индивидуальных предложений, ряд приложений на наших устройствах, таких как распознавание голоса.
У этой инновации есть еще много важных приложений, некоторые из которых имеют более высокие ставки, чем другие. Будущие достижения могут поддержать экономику Великобритании и окажут решающее влияние на общество. Например, MI может дать нам быстро доступных «индивидуальных помощников», которые будут помогать нам в жизни.
Он может значительно улучшить транспортную систему с помощью самоуправляемых транспортных средств, а также систему медицинского обслуживания, улучшив персонализацию лечения или диагностику заболеваний. Кроме того, МИ может быть использован для обеспечения безопасности, например, при работе в Интернете или распознавании электронной переписки.
Последствия этих и других применений инноваций следует рассматривать уже сейчас и принимать меры, чтобы гарантировать, что их использование будет полезным для общества.
По сути, МИ — это отдельная форма, но в то же время охватывающая определенные части передовой механики (роботы являются иллюстрацией аппаратного обеспечения, которое можно использовать для создания автономных роботов и ИИ.
Примечание: ИИ относится к идее, которая не имеет согласованного определения; в любом случае МИ — это метод достижения степени искусственного интеллекта.
Типы машинного обучения
Учитывая, что в центре внимания находится область MI, существует множество видов, с которыми вы можете столкнуться как профессионал.
Некоторые подполя обучения изображают множество алгоритмов, таких как «контролируемое обучение». Другие изображают удивительные стратегии, которые вы можете использовать в своих начинаниях, например, «трансферное обучение».
Скорее всего, существует 14 видов обучения, с которыми вы должны быть знакомы как практикующий специалист по МИ, а именно:
Проблемы обучения:
- контролируемое обучение
- Обучение с усилением
- Неконтролируемое обучение
Гибридные проблемы обучения:
- Самоконтролируемое обучение
- Многофакторное обучение
- Полусамостоятельное обучение
Техники обучения:
- Многозадачное обучение
- Онлайн-обучение
- Активное обучение
- Ансамблевое обучение
- Трансферное обучение
Статистический вывод:
- Дедуктивный вывод
- Трансдуктивное обучение
- Индуктивное обучение
Контролируемое машинное обучение
Большая часть активного машинного обучения использует контролируемое машинное обучение!
Контролируемое обучение — это особое место, где все вы должны использовать как входные факторы (x), так и выходные факторы (Y). Фактически, вы сможете использовать формулу для того, чтобы узнать функцию отображения от входа к выходу!
Y= f(X)
Цель состоит в том, чтобы правильно оценить рисунок или функцию, чтобы при наличии новой информации или данных (X) вы могли предсказать выходные коэффициенты (Y) для этих данных.
Это называется Supervised Learning на том основании, что цикл работы алгоритма с обучающим набором данных можно рассматривать как инструктора, направляющего процесс обучения. Мы знаем правильные ответы, алгоритмы итеративно строят ожидания на подготовительной информации и корректируются учителем. Обучение прекращается, когда алгоритм достигает удовлетворительной степени выполнения.
Неконтролируемое машинное обучение
Это место, где у вас есть только входная информация (X) и нет сравнения выходных переменных.
Целью несамостоятельного обучения является моделирование распределения в данных для изучения большего количества данных.
Проблемы, не требующие наблюдения, можно разделить на проблемы ассоциации и кластеризации:
Ассоциация: Здесь вы хотите найти правила, которые определяют огромные части ваших данных, например, люди, которые покупают покупку X, также склонны покупать Y.
Кластеризация: Здесь вы найдете присущие данным группировки, например, группировка клиентов по покупательскому поведению.
Наиболее известные примеры неконтролируемого машинного обучения:
- алгоритм Apriori
- k-means для кластеризации
Значимые практики машинного обучения
К числу наиболее значимых практик машинного обучения относятся:
Алгоритмы МО с наблюдением могут применять то, что было реализовано в прошлом, к новой информации, используя отмеченные примеры, чтобы предсказать будущие события. Начиная с исследования известного набора данных, алгоритм обучения может создать предполагаемую операцию. И этот вариант может делать прогнозы относительно внешних выходных значений.
После соответствующего обучения система может выдавать цели для любого нового входного сигнала. С другой стороны, технология обучения может сравнить свой выход с предполагаемым выходом. Более того, она также выявляет все возможные ошибки для модификации модели соответственно.
И наоборот, алгоритмы несамостоятельного обучения используются, когда данные, используемые для подготовки, не помечены и не классифицированы. Неподконтрольное обучение анализирует, как система может предположить операцию по определению скрытых факторов из немаркированных данных.
Алгоритмы обучения с подкреплением — это один из видов технологии обучения, которая взаимодействует с окружающей средой, совершая определенные действия и обнаруживая множество ошибок и вознаграждений. Существует целый ряд характеристик обучения с подкреплением. Некоторые из наиболее актуальных включают «пробный& поиск конца» и отложенное вознаграждение.
Этот метод позволяет программным и машинным агентам распознавать оптимальное поведение в определенном контексте и сокращать свои действия. Обратная связь с вознаграждением необходима агенту для определения того, какое действие является подходящим. И это фактически определяет его как сигнал подкрепления.
Временами полусамостоятельные алгоритмы MI попадают в промежуток между несамостоятельным и контролируемым обучением, поскольку они используют как немеченые, так и меченые данные для обучения — обычно большое количество немеченых данных и небольшое количество меченых данных. В принципе, полуконтролируемое обучение выбирается в тех случаях, когда для обучения или тренировки меченых данных требуются соответствующие и надежные ресурсы. В противном случае немеченые данные не нуждаются ни в каких ресурсах.
Заключение
МИ позволяет анализировать огромные объемы данных. Он обеспечивает более быстрый и другой результат для распознавания потенциального риска или выгодных возможностей. Но для его правильного обучения могут потребоваться дополнительные ресурсы и время.