Hjælp udviklingen af webstedet med at dele artiklen med venner!
Introduktion til typer af maskinlæring
Den følgende artikel giver en oversigt over typer af maskinlæring. Machine learning er underområdet af AI, der fokuserer på udviklingen af computerprogrammer, der har adgang til data ved at give et system med mulighed for at lære og forbedre automatisk.
For eksempel er at finde mønstre i databasen uden menneskelige indgreb eller handlinger baseret på datatypen, dvs. mærket eller umærket og baseret på de teknikker, der bruges til at træne modellen på et givet datasæt.Maskinlæring er yderligere klassificeret som Supervised, Unsupervised, Reinforcement og Semi-Supervised Learning algoritmer; alle disse typer læringsteknikker bruges i forskellige applikationer.
Hvad er Machine Learning?
Machine learning er et lille anvendelsesområde for kunstig intelligens, hvor maskiner automatisk lærer af operationerne og finesser sig selv for at give bedre output. Baseret på de indsamlede data forbedrer maskinerne computerprogrammerne i overensstemmelse med det krævede output. På grund af denne evne hos en maskine til at lære på egen hånd, er eksplicit programmering af disse computere ikke påkrævet.
Den er imidlertid allerede sivet ind i vores liv over alt, uden at vi ved det. Praktisk t alt hver eneste maskine, vi bruger, og de avancerede teknologimaskiner, vi er vidne til i det sidste årti, har inkorporeret maskinlæring for at forbedre kvaliteten af produkterne. Nogle eksempler på maskinlæring er selvkørende biler, avancerede websøgninger, talegenkendelse.
Forskellen mellem konventionel programmering og maskinlæring
Konventionel programmering=Logik er programmeret + Data indlæses + Logik køres på dataene + Output
Machine Learning=Data er indtastet + Forventet output er indtastet + Kør det på maskinen for at træne algoritmen fra input til output; kort sagt, lad den skabe sin egen logik til at nå fra input til output + Trænet algoritme brugt på testdata til forudsigelse.
Machine Learning Methods
Vi har fire hovedtyper af maskinlæringsmetoder baseret på den type læring, vi forventer af algoritmerne:
1. Supervised Machine Learning
Overvågede læringsalgoritmer bruges, når outputtet er klassificeret eller mærket. Disse algoritmer lærer af de tidligere data, der er indtastet, kaldet træningsdata, udfører deres analyse og bruger denne analyse til at forudsige fremtidige begivenheder for alle nye data inden for de kendte klassifikationer.Den nøjagtige forudsigelse af testdata kræver store data for at have en tilstrækkelig forståelse af mønstrene. Algoritmen kan trænes yderligere ved at sammenligne træningsoutput med faktiske og bruge fejlene til modifikation af algoritmerne.
Eksempel i det virkelige liv:
- Billedklassificering - Algoritmen er hentet fra feeding med mærkede billeddata. En algoritme trænes, og det forventes, at algoritmen klassificerer den korrekt i tilfælde af det nye billede.
- Marked Prediction - Det kaldes også regression. Historiske erhvervsmarkedsdata føres til computeren. Derefter forudsiges den nye pris for fremtiden med analyse og regressionsalgoritme afhængigt af variabler.
2. Uovervåget maskinlæring
Usupervised læringsalgoritmer bruges, når vi er uvidende om de endelige output, og klassificeringen eller mærkede output er ikke til vores rådighed.Disse algoritmer studerer og genererer en funktion til at beskrive fuldstændigt skjulte og umærkede mønstre. Derfor er der ikke noget korrekt output, men det studerer dataene for at give ukendte strukturer i umærkede data.
Eksempel i det virkelige liv:
- Clustering - Data med lignende træk bliver bedt om at gruppere sammen af algoritmen; denne gruppering kaldes klynger. Disse viser sig at være nyttige i undersøgelsen af disse grupper, som kan anvendes på alle data i en klynge mere eller mindre.
- Højdimensionsdata - Data med høj dimension er norm alt ikke let at arbejde med. Ved hjælp af uovervåget læring bliver visualisering af højdimensionelle data mulig.
- Generative modeller - Når først din algoritme analyserer og kommer med sandsynlighedsfordelingen af input, kan den bruges til at generere nye data. Dette viser sig at være meget nyttigt i tilfælde af manglende data.
3. Forstærkningsmaskineindlæring
Denne type maskinlæringsalgoritme bruger trial and error-metoden til at lave output baseret på den højeste effektivitet af funktionen. Outputtet sammenlignes for at finde ud af fejl og feedback tilbageført til systemet for at forbedre eller maksimere dets ydeevne. Modellen er forsynet med belønninger, som grundlæggende er feedback og straf i dens operationer, mens den udfører et bestemt mål.
4. Semi-Supervised Machine Learning
Disse algoritmer udfører norm alt mærkede og umærkede data, hvor den umærkede datamængde er stor sammenlignet med mærkede data. Da det fungerer med både og imellem overvågede og uovervågede læringsalgoritmer, kaldes det derfor semi-overvåget maskinlæring. Systemer, der bruger disse modeller, ses at have forbedret indlæringsnøjagtighed.
Eksempel - Et billedarkiv kan kun indeholde nogle af dets data mærket, f.eks. Hund, kat, mus og en stor del af billeder forbliver umærkede.
Modeller baseret på typen af output fra algoritmerne
Nedenfor er typerne af maskinlæringsmodeller baseret på den type output, vi forventer fra algoritmerne:
1. Klassifikation
Der er en opdeling af klasser af input; systemet producerer en model ud fra træningsdata, hvor det tildeler nye input til en af disse klasser. Det falder ind under paraplyen af superviseret læring. Et eksempel fra det virkelige liv kan være spamfiltrering, hvor e-mails er input, der er klassificeret som "spam" eller "ikke spammet".
2. Regression
Regressionsalgoritme er også en del af overvåget læring, men forskellen er, at outputtene er kontinuerte variable og ikke diskrete.
Eksempel - Forudsigelse af huspriser ved hjælp af tidligere data.
3. Dimensionalitetsreduktion
Denne type maskinlæring er relateret til analyser af input og reducerer dem til kun relevante for modeludvikling. Funktionsvalg, dvs. inputvalg og funktionsekstraktion, er yderligere emner, der er nødvendige for bedre at forstå dimensionalitetsreduktion.
På grundlag af ovenstående forskellige tilgange er der forskellige algoritmer, der skal tages i betragtning. Nogle meget almindelige algoritmer er lineær og logistisk regression, K-nærmeste naboer, beslutningstræer, støttevektormaskiner, Random Forest osv. Ved hjælp af disse algoritmer kan komplekse beslutningsproblemer have en retningssans baseret på en enorm mængde data . For at opnå denne nøjagtighed og disse muligheder kræves der yderligere ressourcer såvel som tid. Derfor er maskinlæring, der bruges sammen med kunstig intelligens og andre teknologier, mere effektiv til at behandle information.