Mi a gépi tanulás?
A gépi tanulás a mesterséges intelligencia kis alkalmazási területe, amelyben a gépek automatikusan megtanulják a műveleteket és maguk finomságát, hogy jobb teljesítményt nyújtsanak. Az összegyűjtött adatok alapján a gépek hajlamosak a számítógépes programoknak a szükséges kimenethez igazításának javítására. Mivel a gép képes önállóan tanulni, e számítógépek kifejezett programozása nem szükséges. Már mindenütt bejutott az életünkbe anélkül, hogy tudnánk. Gyakorlatilag minden gép, amelyet használunk, és a fejlett technológiai gépek, amelyeknek az elmúlt évtizedben tanúi vagyunk, beépítették a gépi tanulást a termékek minőségének javítása érdekében. A gépi tanulás néhány példája az önvezető autók, a speciális internetes keresések, a beszédfelismerés.
Az emberek fő célja a gépek tanulási algoritmusának kifejlesztése oly módon, hogy elősegítse a gépek automatikus tanulását bármiféle emberi beavatkozás nélkül. A tanulás ugyanakkor a bevitt adatoktól függ, ahol a gépek megfigyelik és felismerik bizonyos mintákat és trendeket. Minden új adatponttal javul a gép megértése, és a kimenet jobban igazodik és megbízható. Az adatok lehetnek numerikus értékek, közvetlen tapasztalatok, képek stb., Amelyek szintén hozzájárulnak ahhoz, hogy a gépi tanulás segítségével hogyan közelítsünk meg minden olyan problémát, amelyet javítani akartunk. Emellett léteznek különféle típusú gépi tanulási megközelítések a szükséges output típusa alapján.
Különbség a hagyományos programozás és a gépi tanulás között
Hagyományos programozás = A logika be van programozva + Az adatok bevitele + A logika az adatokon fut + Kimenet
Gépi tanulás = adatok bevitele + a várt output bevitele + futtassa a gépen az algoritmus bemenetről kimenetre történő kiképzéséhez, röviden, hagyja, hogy saját logikáját hozzon létre, hogy elérje a bemenetet a kimenetet + képzett algoritmus, amelyet a teszt adatokhoz használnak előrejelzéshez
Gépi tanulási módszerek
A gépi tanulási módszerek négy fő típusa van, az az algoritmusoktól elvárt tanulás alapján:
1. Felügyelt gépi tanulás
A felügyelt tanulási algoritmusokat akkor kell használni, amikor a kimenetet osztályozzák vagy címkézik. Ezek az algoritmusok a bevitt múltbeli adatokból tanulnak, amelyeket edzési adatoknak hívnak, elvégzik az elemzést, és ezen elemzés segítségével előre jelzik az ismert osztályozáson belüli új adatok jövőbeni eseményeit. A teszt adatok pontos előrejelzése nagyméretű adatokat igényel a minták megfelelő megértése érdekében. Az algoritmus továbbképzhető, ha összehasonlítja az oktatási outputokat a ténylegesekkel, és a hibákat használja az algoritmusok módosítására.
Példa a valós életre:
- Képosztályozás - Az algoritmust a címkézett képadatok adagolása vonja ki. Egy algoritmust kiképeztek, és várható, hogy az új kép esetében az algoritmus helyesen osztályozza azt.
- Piaci előrejelzés - Regressziónak is hívják. A korábbi üzleti piaci adatokat a számítógép továbbítja. Az elemzéssel és a regressziós algoritmussal a változók függvényében előre jelezzük a jövő új árát.
Térjünk át a gépi tanulási módszerek következő fő típusaihoz.
2. Nem felügyelt gépi tanulás
A felügyelet nélküli tanulási algoritmusokat akkor használjuk, amikor nem tudunk a végső outputokról, és az osztályozás vagy a címkézett outputok nem állnak a rendelkezésünkre. Ezek az algoritmusok egy teljesen rejtett és címkézetlen minták leírására szolgáló funkciót generálnak. Ennélfogva nincs helyes kimenet, de az adatokat vizsgálja, hogy ismeretlen struktúrákat állítson elő fel nem címkézett adatokban.
Példa a valós életre:
- Klaszterezés - A hasonló tulajdonságokkal bíró adatokat az algoritmus szerint kell csoportosítani, ezt a csoportosítást klasztereknek nevezzük. Ezek hasznosnak bizonyulnak e csoportok tanulmányozásában, amelyek többé-kevésbé alkalmazhatók a fürtön belüli teljes adatokra.
- Nagydimenziós adatok - A nagyméretű adatokkal általában nem könnyű dolgozni. Felügyelet nélkül a tanulás lehetővé teszi a nagy dimenziós adatok megjelenítését
- Generatív modellek - Miután az algoritmus elemezte és behozta a bemenet valószínűségi eloszlását, felhasználható új adatok előállítására. Ez nagyon hasznosnak bizonyul az adatok hiányában.
3. Erősítőgép-tanulás
Az ilyen típusú gépi tanulási algoritmus próba és hiba módszerrel használja a kimenetet a funkció legnagyobb hatékonysága alapján. A kimenetet összehasonlítják, hogy megtudja a hibákat és a visszajelzéseket, amelyeket visszaadnak a rendszernek a teljesítmény javítása vagy maximalizálása érdekében. A modell olyan jutalmakkal van ellátva, amelyek alapvetően visszajelzések és büntetések a működésében egy adott cél teljesítése során.
4. Félig felügyelt gépi tanulás
Ezek az algoritmusok általában címkézett és nem címkézett adatokat vesznek fel, ahol a címkézés nélküli adatmennyiség nagy a jelölt adatokhoz képest. Mivel működik mind a felügyelt, mind a felügyelet nélküli tanulási algoritmusokkal, valamint azok között, ezért félig felügyelt gépi tanulásnak nevezzük. Az ezeket a modelleket használó rendszerekről látható, hogy jobb a tanulási pontosság.
Példa - A képarchívum csak az adatok egy részét tartalmazhatja, pl. A kutya, macska, egér és egy nagy darab kép nem címkézett.
Az algoritmusok outputjai fajtáján alapuló modellek
Az alábbiakban bemutatjuk azokat a gépi tanulási modelleket, amelyek az algoritmusoktól elvárható outputok alapján készülnek:
1. Besorolás
A bemenetek osztályai meg vannak osztva, a rendszer edzési adatokból modellt állít elő, ahol új bemeneteket rendel az egyik ilyen osztályhoz
A felügyelt tanulás égisze alá tartozik. A valós élet példája a spamszűrés, ahol az e-mailek azok a bemenetek, amelyek „spam” vagy „nem spam” besorolásúak.
2. Regresszió
A regressziós algoritmus szintén a felügyelt tanulás része, azzal a különbséggel, hogy a kimenetek folyamatos változók, és nem különállóak.
Példa - A házára vonatkozó előrejelzés a múltbeli adatok alapján
3. A dimenzió csökkentése
Az ilyen típusú gépi tanulás a bemenetek elemzésével és azok relevánsokra redukálásával kapcsolódik, amelyeket a modellfejlesztéshez használnak. A szolgáltatás kiválasztása, azaz a bemenet kiválasztása és a szolgáltatás kibontása további kérdések, amelyeket figyelembe kell venni a dimenzió csökkentésének jobb megértése érdekében.
A fenti különböző megközelítések alapján különféle algoritmusokat kell figyelembe venni. Néhány nagyon általános algoritmus, például a Lineáris és Logisztikus Regresszió, a K-legközelebbi szomszédok, a döntési fák, a támogató vektorgépek, a Random Forest stb. Ezen algoritmusok segítségével a komplex döntési problémák hatalmas mennyiségű adat alapján irányt érzékelhetnek. . Ennek a pontosságnak és a lehetőségeknek a eléréséhez kiegészítő erőforrásokat és időt kell biztosítani. A mesterséges intelligencia és más technológiákkal együtt alkalmazott gépi tanulás hatékonyabb az információk feldolgozásában.
Ajánlott cikkek
Ez egy útmutató a gépi tanulás típusaihoz. Itt tárgyaltuk az algoritmusok koncepcióját, más módszerét és különféle modelljét. A további javasolt cikkeken keresztül további információkat is megtudhat -
- Gépi tanulási technikák
- Mi az a mély tanulás?
- Mi a gépi tanulás?
- Bevezetés a gépi tanulásba
- Hiperparaméter gépi tanulás