«Машинное обучение» в настоящее время широко используется в современном мире технологий, и это довольно пугающе, учитывая объем работы и чтения, которые мы должны пройти, чтобы научиться обучать модели. ЖДАТЬ!!! Вы можете забыть все, что я написал после «Машинного обучения», потому что его очень легко выучить, поверьте мне, я могу сказать это как факт, потому что проекты с открытым исходным кодом и готовые к использованию библиотеки упростили математическую часть машинного обучения. Я не хочу делать эту статью длиннее, чем она должна быть, поэтому давайте погрузимся прямо в тему (пока вы готовитесь к 10 оставшимся... хе-хе-хе-хе). Проще говоря; «Машинное обучение — это процесс обучения модели машины обучению на основе прошлых событий или данных при работе с текущими факторами для прогнозирования будущих событий». Честно говоря, не существует стандартизированного определения машинного обучения, это процесс, и поэтому этот процесс определяется исключительно инженером по машинному обучению. На протяжении всего чтения я постараюсь максимально избежать исчерпывающей математической части и просто объясню, что делает каждая из них. Однако последует еще одна серия для машинных обучающихся от среднего до опытного уровня.
В этой статье мы начнем с типов машинного обучения (а не с моделей), и четыре (4) кратко описаны ниже:
- Обучение с учителем. Этот тип обучения включает в себя предоставление модели данных, которые имеют результаты каждого набора функций или уже назначенных меток. Это может быть классификация (метки с категориальными выходными данными) или регрессия (метки с непрерывными/числовыми выходными данными). Для обучения данных можно использовать несколько моделей машинного обучения в зависимости от требуемого результата. Примером регрессионного машинного обучения является прогнозирование цен на дома, а примером машинного обучения классификации является классификация пациентов с подозрением на рак.
- Обучение без учителя: в этом типе обучения нет моделей с метками или результатами, назначенными каждому набору функций, каждая функция рассматривается как подмножество более крупной структуры и классифицируется в соответствующую группу на основе алгоритма. реализуется. Примером неконтролируемого машинного обучения является кластеризация.
- Полууправляемое обучение. Этот тип обучения обычно представляет собой комбинацию как контролируемого, так и неконтролируемого обучения. Это просто означает, что некоторые наборы функций или метки помечены (т. е. имеют выходные данные), а другие нет. в наборе данных. Например, в задаче распознавания числовых изображений некоторые изображения могут быть помечены, а остальные не помечены (обычно большинство) или метки отсутствуют.
- Обучение с подкреплением. Этот тип обучения предполагает, что агент изучает, как выполнять действия в среде, чтобы оптимизировать сигнал вознаграждения. Благодаря взаимодействию с окружающей средой агент получает обратную связь в виде вознаграждения или наказания за свои действия. Цель состоит в том, чтобы агент изучил наиболее эффективную последовательность действий, которая приведет к максимальному общему вознаграждению за определенный период времени.
(Все еще со мной?)
Ниже приведен список моделей машинного обучения, которые обычно используются в качестве основы для алгоритмов, но не ограничиваются ими: линейная регрессия, логистическая регрессия, дерево решений, поддержка Векторные машины, Изолирующий лес, Наивный байесовский метод, Случайный лес, K-ближайшие соседи.
КЛЮЧЕВЫЕ ТЕРМИНЫ, ИСПОЛЬЗУЕМЫЕ В МАШИННОМ ОБУЧЕНИИ
(Постарайтесь запомнить их для дальнейшего понимания дальнейших советов).
- Машинное обучение. Тип искусственного интеллекта, который позволяет компьютерам учиться на основе данных без явного программирования.
- Данные. Информация, используемая для обучения и тестирования моделей машинного обучения.
- Модель. Математическое представление системы, которое можно использовать для прогнозирования или принятия решений.
- Алгоритм. Набор инструкций, используемых компьютером для решения проблемы.
- Данные для обучения. Данные, используемые для обучения модели машинного обучения.
- Данные тестирования. Данные, используемые для оценки производительности модели машинного обучения.
- Функции. Отдельные измеримые свойства или характеристики данных, используемых для обучения модели машинного обучения.
- Ярлыки. Результаты или прогнозы, которые пытается сделать модель машинного обучения.
- Обучение с учителем. Тип машинного обучения, при котором модель обучается с использованием размеченных данных.
- Обучение без учителя. Тип машинного обучения, при котором модель обучается с использованием неразмеченных данных.
- Обучение с подкреплением. Тип машинного обучения, при котором агент учится предпринимать действия в среде, чтобы максимизировать сигнал вознаграждения.
- Переоснащение. Когда модель машинного обучения слишком сложна и слишком хорошо изучает обучающие данные, что приводит к снижению производительности при работе с новыми данными.
- Недообучение: когда модель машинного обучения слишком проста и не изучает закономерности в данных, что приводит к низкой производительности при обучении и тестировании данных.
- Предвзятость: тенденция модели машинного обучения постоянно делать ошибки в определенном направлении.
- Дисперсия. Склонность модели машинного обучения быть чувствительной к небольшим колебаниям обучающих данных.
И это завершает первую часть введения в подход начинающих к машинному обучению. Надеюсь, я смог смягчить почву в отношении вашего обучения. Мои искренние извинения за то, что я не добавил визуализацию, но я обязательно включу столько же изображений решения в будущие статьи.
Спасибо за чтение.
Чао ❤
