Co je strojové učení?
Strojové učení je malá oblast aplikace umělé inteligence, ve které se stroje automaticky učí z operací a samy o sobě poskytují lepší výkon. Na základě shromážděných dat mají stroje tendenci pracovat na vylepšení počítačových programů tak, aby odpovídaly požadovanému výstupu. Vzhledem k této schopnosti stroje učit se samy o sobě není nutné výslovné programování těchto počítačů. Už to všude proniklo do našich životů, aniž bychom to věděli. Prakticky každý stroj, který používáme, a stroje progresivní technologie, které jsme svědky v posledním desetiletí, mají zabudované strojové učení pro zvýšení kvality produktů. Mezi příklady strojového učení patří auta s vlastním pohonem, pokročilá vyhledávání na webu, rozpoznávání řeči.
Hlavním cílem člověka je vyvinout algoritmus učení strojů tak, aby pomohl strojům učit se automaticky bez jakéhokoli lidského zásahu. Učení přitom závisí na údajích, které jsou přiváděny, kde stroje pozorují a rozpoznávají některé vzorce a trendy. S každým novým datovým bodem se zlepšuje porozumění stroje a výstup je vyrovnanější a spolehlivější. Data mohou být číselné hodnoty, přímé zkušenosti, obrázky atd., Které také přispívají k tomu, jak přistupujeme k jakémukoli problému, který jsme chtěli vyřešit pomocí strojového učení. Existují také různé typy přístupů strojového učení na základě typu výstupu, který potřebujete.
Rozdíl mezi konvenčním programováním a strojovým učením
Konvenční programování = Logika je naprogramována + Data jsou vložena + Logika je spuštěna na datech + Výstup
Strojové učení = Data jsou vložena + Očekávaný výstup je vložen + Spusťte je na stroji pro zaškolení algoritmu od vstupu k výstupu, zkrátka, ať si vytvoří svou vlastní logiku, aby dosáhla od vstupu k výstupu + Vycvičený algoritmus použitý na testovacích datech pro predikci
Metody strojového učení
Máme čtyři hlavní typy metod strojového učení založené na druhu učení, které očekáváme od algoritmů:
1. Dohled nad strojovým učením
Algoritmy pod dohledem se používají, když je výstup klasifikován nebo označen. Tyto algoritmy se poučují z minulých dat, která jsou vložena, nazývána jako tréninková data, provádí její analýzu a používá tuto analýzu k předpovídání budoucích událostí jakýchkoli nových dat v rámci známých klasifikací. Přesná predikce testovacích dat vyžaduje, aby velká data měla dostatečné porozumění vzorcům. Algoritmus může být dále proškolen porovnáním výstupů z tréninku se skutečnými a použitím chyb pro úpravu algoritmů.
Příklad ze skutečného života:
- Klasifikace obrazu - Algoritmus je získáván z podávání označených obrazových dat. Algoritmus je vyškolen a očekává se, že v případě nového obrazu jej algoritmus klasifikuje správně.
- Prognóza trhu - nazývá se také regrese. Do počítače jsou přiváděna historická data z obchodního trhu. S analýzou a regresním algoritmem se předpovídá nová cena pro budoucnost v závislosti na proměnných.
Pojďme se přejít k dalším hlavním typům metod strojového učení.
2. Výuka stroje bez dozoru
Algoritmy bez dozoru se používají, když si neuvědomujeme konečné výstupy a klasifikace nebo označené výstupy nejsou k dispozici. Tyto algoritmy studují a generují funkci pro popis zcela skrytých a neznačených vzorů. Proto neexistuje žádný správný výstup, ale studuje data, aby rozdala neznámé struktury v neznačených datech.
Příklad ze skutečného života:
- Clustering - Data s podobnými vlastnostmi jsou požádána o seskupení pomocí algoritmu, toto seskupení se nazývá clustery. Ukázalo se, že jsou užitečné při studiu těchto skupin, které lze více či méně aplikovat na všechna data v klastru.
- Data s vysokou dimenzí - S daty s vysokou dimenzí obvykle není snadné pracovat. S pomocí učení bez dozoru je možná vizualizace dat ve velkých rozměrech
- Generativní modely - Jakmile váš algoritmus analyzuje a přijde s distribucí pravděpodobnosti vstupu, lze jej použít ke generování nových dat. To se ukáže jako velmi užitečné v případě chybějících údajů.
3. Výztužné strojové učení
Tento typ algoritmu strojového učení používá metodu pokusů a omylů k potlačení výstupu na základě nejvyšší účinnosti funkce. Výstup je porovnán, aby se zjistily chyby a zpětná vazba, které jsou přiváděny zpět do systému za účelem zlepšení nebo maximalizace jeho výkonu. Model je vybaven odměnami, které jsou v zásadě zpětnou vazbou a tresty za jeho činnost při plnění konkrétního cíle.
4. Semi-dozorované strojové učení
Tyto algoritmy normálně provádějí označená a neoznačená data, kde je množství neoznačených dat velké ve srovnání s označenými daty. Jelikož to funguje s algoritmy učení a mezi nimi a mezi nimi, a proto se jedná o tzv. Semi-supervised machine learning. Systémy využívající tyto modely mají zlepšenou přesnost učení.
Příklad - Archiv obrázků může obsahovat pouze některá jeho data označená např. Pes, kočka, myš a velký kus obrázků zůstávají neznačené.
Modely založené na druhu výstupů z algoritmů
Níže jsou uvedeny typy modelů strojového učení založené na druhu výstupů, které očekáváme od algoritmů:
1. Klasifikace
Existuje rozdělení tříd vstupů, systém vytváří model z tréninkových dat, kde přiřazuje nové vstupy jedné z těchto tříd
Spadá pod střechu učení pod dohledem. Příkladem skutečného života může být filtrování nevyžádané pošty, kde e-maily jsou vstupem, který je klasifikován jako „spam“ nebo „není spam“.
2. Regrese
Algoritmus regrese je také součástí učení pod dohledem, ale rozdíl spočívá v tom, že výstupy jsou spojité proměnné a nikoli diskrétní.
Příklad - Predikce cen nemovitostí pomocí minulých údajů
3. Zmenšení rozměrů
Tento typ strojového učení souvisí s analýzami vstupů a jejich omezením na ty relevantní, které lze použít pro vývoj modelů. Výběr funkcí, tj. Výběr vstupů a extrahování prvků, jsou další témata, která je třeba zvážit pro lepší pochopení snížení rozměrů.
Na základě výše uvedených různých přístupů je třeba zvážit různé algoritmy. Některé velmi běžné algoritmy jsou lineární a logická regrese, K-nejbližší sousedé, rozhodovací stromy, vektorové pomocné stroje, náhodný les atd. S pomocí těchto algoritmů mohou mít složité rozhodovací problémy smysl pro směr založený na obrovském množství dat . K dosažení této přesnosti a příležitostí je třeba poskytnout další zdroje a čas. Strojové učení používané spolu s umělou inteligencí a dalšími technologiemi je účinnější pro zpracování informací.
Doporučené články
Toto byl průvodce Typy strojového učení. Zde jsme diskutovali koncept, odlišnou metodu a jiný druh modelu pro algoritmy. Další informace naleznete také v našich dalších doporučených článcích -
- Techniky strojového učení
- Co je hluboké učení
- Co je strojové učení?
- Úvod do strojového učení
- Hyperparametrické strojové učení