Úvod do typů algoritmů strojového učení
Typy algoritmů strojového učení nebo výpočty umělé inteligence jsou programy (matematické a logické), které se samy upravují, aby vedly k lepšímu výkonu, protože jsou prezentovány více informací. „Přizpůsobení“ určité části AI znamená, že tyto projekty mění způsob zpracování informací po určité době, stejně jako lidé mění způsob zpracování informací učením. Strojové učení nebo výpočet umělé inteligence je tedy program s konkrétní metodou, jak změnit své vlastní parametry, vzhledem k kritice svých minulých výstavních očekávání ohledně datového souboru.
Všechny typy algoritmů strojového učení
Jejich určité variace, jak charakterizovat druhy typů algoritmů strojového učení, se obvykle mohou rozdělit do tříd podle jejich motivace a základní klasifikace jsou doprovodné:
- Dozorované učení
- Bez dozoru
- Učení částečně kontrolované
- Posílení učení
Co je učení pod dohledem
Dozorované učení je místo, kde můžete zvážit, že učení je vedeno instruktorem. Máme dataset, který probíhá jako vychovatel a jeho úkolem je připravit model nebo stroj. Když se model připraví, může se začít vypořádat s očekáváním nebo výběrem, když mu budou poskytnuty nové informace.
Příklad supervidovaného učení:
- Získáte spoustu fotografií s údaji o tom, co je na nich, a poté trénujete model vnímání nových fotografií.
- Máte spoustu údajů o cenách domů na základě jejich velikosti a umístění a vložíte je do modelu a zaškolíte je, pak můžete předpovědět cenu dalších domů na základě údajů, které krmíte.
- pokud chcete předpovídat, že vaše zpráva je spam nebo není založena na starší zprávě, můžete předpovídat, že nová zpráva je spam nebo ne.
Algoritmus výuky pod dohledem je následující:
1) Lineární regrese
lineární regrese je cenná pro odhalení spojení mezi dvěma přetrvávajícími faktory. Jeden je prediktor nebo autonomní proměnná a druhý je reakční nebo strážní proměnná. Hledá měřitelný vztah, nikoli však deterministický vztah. Spojení mezi dvěma faktory se říká, že je deterministické pro šanci, že jedna proměnná může být přesně komunikována druhou. Například při použití teploty ve stupních Celsia je možné přesně předvídat Fahrenheita. Faktický vztah není přesný při rozhodování o spojení mezi dvěma faktory. Například připojení někde v rozsahu výšky a hmotnosti. Hlavní myšlenkou je získat linii, která nejlépe odpovídá informacím. Nejvhodnější čára je ta, pro kterou je celková prognóza chyby (všechny informační zaměření) tak nízká, jak by se dalo za daných okolností očekávat. Chyba je oddělení mezi bodem k regresní linii.
2) Rozhodovací stromy
Strom rozhodování je gadget nápovědy pro rozhodování, který používá stromový diagram nebo model rozhodnutí a jejich potenciální výsledky, včetně výsledků náhodných událostí, nákladů na zdroje a užitečnosti. Prozkoumejte obrázek a získejte pocit, že se podobá.
3) Klasifikace Naive Bayes
Klasifikace Naive Bayes je skupina základních pravděpodobnostních klasifikátorů závislých na aplikaci Bayesovy teorie se silnou (neofistikovanou) samosprávou funkcí Naive Bayes. Tato klasifikace Některé z certifikovatelných modelů jsou:
Chcete-li razítko označit jako spam nebo nikoli jako spam
Objednejte si novinový příběh o inovacích, vládních otázkách nebo sportu
Zkontrolujte dotek látky, která propůjčuje pozitivní emoce nebo negativní city?
Využívá se pro programování potvrzení tváře.
4) Logistická regrese
Logistická regrese je průlomová faktická metoda pro prokázání binomického výsledku s alespoň jedním informativním faktorem. Kvantifikuje souvislost mezi proměnnou absolutního oddělení a alespoň jedním faktorem volným tak, že vyhodnotí pravděpodobnosti s využitím logistické kapacity, což je kombinovaná logistická alokace.
Normálně budou regrese použitelné v reálném životě jako:
Kreditní skóre
Míra úspěšnosti trhu nebo společnosti
Předpovídat příjmy jakékoli společnosti nebo jakéhokoli produktu
Dojde k zemětřesení v kterýkoli den?
5) Běžná regrese nejmenších čtverců
Nejmenší čtverce jsou strategií provádění přímé regrese. přímá regrese je závazek vybavit linii pomocí mnoha zaměření. Existují různé možné postupy, jak toho dosáhnout, a systém „obyčejných nejméně čtverců“ takto vypadá - můžete nakreslit čáru a poté pro všechna datová centra změřit svislé oddělení mezi bodem a přímkou a začlenit je nahoru; osazená čára by byla místem, kde je tento agregát oddílů skromný, jak by to mohlo být vzhledem k současné situaci normální.
Co je učení bez dozoru?
Model se učí vnímáním a objevuje struktury informací. Když je modelu dán datový soubor, následně odhalí příklady a propojení v datovém souboru tím, že v něm vytvoří svazky. To, co nemůže udělat, je přidat do svazku známky, podobně jako to nemůže říci, že to je shromáždění jablek nebo manga, ale izoluje každé jablko od manga.
Předpokládejme, že jsme do modelu zobrazili obrázky jablek, banánů a manga, takže to, co dělá, ve světle určitých příkladů a spojení vytváří svazky a rozděluje datový soubor do těchto skupin. V případě, že je k modelu posílena další informace, přidá ji k jednomu z vyrobených svazků.
Příklad učení bez dozoru
- Máte spoustu fotografií 6 jednotlivců, ale bez údajů o tom, kdo je na kterém, a je třeba tento dataset izolovat do 6 hal, každá s fotografiemi jedné osoby.
- Máte částice, některé z nich jsou léky a část si však neuvědomujete, která bude a budete potřebovat výpočet, abyste našli léky.
Algoritmus učení bez dozoru je následující
Shlukování
Clustering je významný nápad, pokud jde o učení bez pomoci. Z větší části se podaří najít strukturu nebo příklad při shromažďování nekategorizovaných informací. Kalkulační výpočty zpracují vaše informace a objeví charakteristické klastry (skupiny) v případě, že v informacích existují. Můžete také změnit, jaký počet svazků by měl váš výpočet odlišit. To vám umožní změnit granularitu těchto shromáždění.
Můžete použít různé druhy klastrů
- Selektivní (rozdělení)
- Model: K-znamená
- Aglomerativní
- Model: Hierarchické seskupování
- Krytina
- Model: Fuzzy C-Means
- Pravděpodobně
Typy algoritmů klastrování
- Hierarchické seskupování
- K-klastrování
- K-NN (k nejbližší sousedé)
- Analýza hlavních komponent
- Rozklad solitérních hodnot
- Nezávislá analýza komponent
- Hierarchické klastry
Hierarchické klastry
Hierarchické klastrování je výpočet, který konstruuje hierarchické pořadí skupin. Začíná každou z informací, které jsou rozdávány na jejich vlastní partu. Zde budou dvě blízké skupiny v podobné skupině. Tento výpočet se uzavře, když zbude jen jedna skupina.
K-znamená Clustering
K znamená, že se jedná o iterativní výpočet shlukování, který vás vybízí k nalezení nejvýznamnějšího podnětu pro každý důraz. Nejprve se vybere ideální počet skupin. V této technikě shlukování musíte shromáždit informace, které se zaměřují na shromáždění k. Větší k znamená podobnější shromáždění s větší granularitou. Nižší k znamená větší shromáždění s menší granularitou.
Výnosem výpočtu je shromáždění „jmen“. Umožňuje informace směřovat k jednomu z shromáždění k. V k-prostředcích shlukování je každé shromáždění charakterizováno vytvořením těžiště pro každé shromáždění. Centroidy jsou jako jádro parta, které zachytí nejbližší ohniska a přidá je do skupiny.
K-střední klastrování dále charakterizuje dvě podskupiny
- Aglomerační klastrování
- Dendrogram
Aglomerační klastrování
Tento druh K-znamená klastrování začíná pevným počtem svazků. Označuje všechny informace do přesného počtu skupin. Tato klastrová strategie nevyžaduje počet skupin K jako informace. Aglomerační procedura začíná tvarováním každého počátku jako osamělé parta.
Tato strategie využívá určité míry oddělení, snižuje počet svazků (jeden v každém důrazu) kombinací procesu. Na závěr máme jednu hlavní skupinu, která obsahuje každý jeden z článků.
Dendrogram
V technikě shlukování Dendrogramu bude každá úroveň hovořit s představitelnou partií. Výška dendrogramu ukazuje míru podobnosti mezi dvěma spojovacími trsy. Blíže k základu procedury jsou progresivně srovnatelné parta, což je nález shromáždění z dendrogramu, který není charakteristický a z velké části abstraktní.
K-Nejbližší sousedé
K-nejbližší soused je nejjednodušší ze všech klasifikátorů AI. Liší se od ostatních postupů AI v tom, že nedodává model. Je to přímý výpočet, který ukládá každý jednotlivý přístupný případ a charakterizuje nové příklady v závislosti na míře podobnosti.
Funguje to velmi dobře, když existuje oddělení mezi modely. Míra učení je mírná, když je přípravná sada obrovská a separační figurování je netriviální.
Analýza hlavních součástí
Na šanci, že budete potřebovat prostor vyššího prostoru. Musíte si vybrat důvod pro tento prostor a pouze 200 nejvýznamnějších skóre tohoto předpokladu. Tato základna je známa jako hlavní součást. Podmnožina, kterou vyberete, je další prostor, který je ve srovnání s jedinečným prostorem malý. Zachovává však mnoho z mnohotvárné povahy informací, jak lze očekávat.
Co je to Výztužná výuka?
Je to schopnost specialisty spolupracovat se zemí a zjistit, co je nejlepším výsledkem. Sleduje myšlenku zásahu a předběžné techniky. Provozovatel je odměněn nebo potrestán bodem za správnou odpověď nebo odpověď mimo základnu a na základě kladných odměn zaměřených na vyzvednutí modelových vlaků sám. Poté, co se připraví, připraví se také na předvídání nových informací, které jí byly představeny.
Příklad učení vyztužení
- Zobrazování reklam se podle toho, co se uživateli líbí, optimalizuje na dlouhou dobu
- Znát rozpočet reklam používaný v reálném čase
- inverzní posilování učení poznat zákazníky jako nelíbí lépe
Co je to učení se semi-supervised?
Výuka se provádí pod dohledem a je připravena na základě kombinace pojmenovaných a neznačených informací. Normálně bude tato směs obsahovat omezené množství pojmenovaných informací a spoustu neznačených informací. Základní zahrnutá metoda spočívá v tom, že nejprve softwarový inženýr seskupí srovnatelné informace pomocí výpočtu bez učení a poté použije stávající pojmenované informace k pojmenování zbytku neznačených informací. Obvyklé příklady takovýchto výpočtů mají mezi nimi typickou vlastnost - Získání neznačených informací je obecně skromné, zatímco pojmenování uvedených informací je nad nejdražší. Přirozeně si člověk může představit tři druhy výpočtů učení jako supervidované uvědomování si, že podřízená osoba je pod dohledem instruktora doma i ve škole, nedohledaná realizace, kdy podvědomá potřebuje pochopit myšlenku sám a částečně podřízená realizace, kde Vyučující ukazuje několik nápadů ve třídě a dává dotazy jako školní práce, které závisí na srovnatelných nápadech.
Příklad výuky s polovičním dohledem
Je výjimečné, že více informací = kvalitnější modely v hlubokém učení (až do určitého bodu vězení jasně, ale častěji než ne, nemáme tolik informací.) Ať už je to jakkoli, získávání označených informací je nákladné. V případě, že potřebujete připravit model pro odlišení okřídlených zvířat, můžete nastavit spoustu kamer, které následně vyfotí slepice. To je obecně skromné. Uzavírání smluv jednotlivců k označení těchto fotografií je nákladné. Zvažte možnost, že máte ohromný počet obrázků okřídlených zvířat, ale stačí smluvně jednotlivce označit malou podskupinu fotografií. Jak se ukázalo, namísto pouhého tréninku modelů na označené podmnožině můžete model předem trénovat na celé tréninkové sadě, ještě před vyladěním s pojmenovanou podmnožinou, a na těchto tratích se projevují známky vylepšení. To je učení pod dohledem. Odloží to vaši hotovost.
Závěr
Existuje mnoho typů algoritmů strojového učení a na základě různých-různých podmínek musíme pro nejlepší výsledek použít algoritmus nejlepšího přizpůsobení. Existuje mnoho algoritmů, které najdou nejlepší přesnost každého typu algoritmu strojového učení a který je nejvyšší přesností, kterou musíme tento algoritmus použít. Můžeme minimalizovat chybu každého algoritmu snížením šumu v datech. Nakonec řeknu, že neexistuje jediný algoritmus strojového učení, který by vám mohl poskytnout stoprocentní přesnost, dokonce ani lidský mozek to nemůže udělat, takže najděte nejlepší jedlový algoritmus pro vaše data.
Doporučené články
Toto je průvodce typy algoritmů strojového učení. Zde diskutujeme o tom, co je algoritmus strojového učení? A jeho typy zahrnují učení pod dohledem, učení bez dozoru, učení pod dohledem, učení o posílení. Další informace naleznete také v následujících článcích -
- Metody strojového učení
- Knihovny strojového učení
- Modely strojového učení
- Rámce strojového učení
- Hyperparametrické strojové učení
- Hierarchické klastry Aglomerativní a dělící se shlukování
- Vytvořit strom rozhodování Jak vytvořit | Výhody
- Životní cyklus strojového učení 8 nejlepších fází