Pomôžte rozvoju stránky a zdieľajte článok s priateľmi!
Úvod do typov strojového učenia
Nasledujúci článok poskytuje prehľad typov strojového učenia. Strojové učenie je podoblasť AI, ktorá sa zameriava na vývoj počítačových programov, ktoré majú prístup k údajom tým, že poskytujú systému so schopnosťou automaticky sa učiť a zlepšovať.
Napríklad hľadanie vzorov v databáze bez akýchkoľvek ľudských zásahov alebo akcií je založené na type údajov, t. j. označené alebo neoznačené, a na technikách používaných na trénovanie modelu na danom súbore údajov.Strojové učenie sa ďalej klasifikuje ako algoritmy učenia pod dohľadom, bez dozoru, posilnenia a čiastočne pod dohľadom; všetky tieto typy techník učenia sa používajú v rôznych aplikáciách.
Čo je strojové učenie?
Strojové učenie je malá oblasť použitia umelej inteligencie, v ktorej sa stroje automaticky učia z operácií a zdokonaľujú sa, aby poskytovali lepší výkon. Na základe zozbieraných údajov stroje vylepšujú počítačové programy tak, aby boli v súlade s požadovaným výstupom. Vzhľadom na túto schopnosť stroja učiť sa sám, nie je potrebné explicitné programovanie týchto počítačov.
Do našich životov však už preniklo všade bez toho, aby sme o tom vedeli. Prakticky každý stroj, ktorý používame, a stroje s vyspelou technológiou, ktorých sme svedkami v poslednom desaťročí, začlenili strojové učenie na zvýšenie kvality produktov. Niektoré príklady strojového učenia sú samojazdiace autá, pokročilé vyhľadávanie na webe, rozpoznávanie reči.
Rozdiel medzi konvenčným programovaním a strojovým učením
Konvenčné programovanie=Logika je naprogramovaná + Dáta sa zadávajú + Logika sa spúšťa na dátach + Výstup
Strojové učenie=Dáta sa zadajú + Zadá sa očakávaný výstup + Spustite ho na stroji na trénovanie algoritmu od vstupu po výstup; skrátka, nechajte ho vytvoriť si vlastnú logiku na dosiahnutie od vstupu k výstupu + trénovaný algoritmus použitý na testovacích údajoch na predpovedanie.
Metódy strojového učenia
Máme štyri hlavné typy metód strojového učenia založené na druhu učenia, ktoré očakávame od algoritmov:
1. Strojové učenie pod dohľadom
Algoritmy učenia pod dohľadom sa používajú, keď je výstup klasifikovaný alebo označený. Tieto algoritmy sa učia z minulých údajov, ktoré sú zadané, nazývané tréningové údaje, spúšťajú svoju analýzu a používajú túto analýzu na predpovedanie budúcich udalostí akýchkoľvek nových údajov v rámci známych klasifikácií.Presná predikcia testovacích údajov vyžaduje veľké údaje, aby bolo možné dostatočne porozumieť vzorcom. Algoritmus je možné ďalej trénovať porovnaním trénovacích výstupov so skutočnými a použitím chýb na modifikáciu algoritmov.
Príklad zo skutočného života:
- Klasifikácia obrázkov - Algoritmus je nakreslený z podávania s označenými obrazovými dátami. Algoritmus je natrénovaný a očakáva sa, že ho algoritmus v prípade nového obrázka správne klasifikuje.
- Predpoveď trhu - Nazýva sa aj regresia. Do počítača sa privádzajú historické údaje o obchodnom trhu. Potom sa pomocou analýzy a regresného algoritmu predpovedá nová cena pre budúcnosť v závislosti od premenných.
2. Strojové učenie bez dozoru
Algoritmy učenia bez dozoru sa používajú, keď nepoznáme konečné výstupy a klasifikácia alebo označené výstupy nemáme k dispozícii.Tieto algoritmy študujú a generujú funkciu na opis úplne skrytých a neoznačených vzorov. Preto neexistuje správny výstup, ale študuje údaje, aby v neoznačených údajoch odhalil neznáme štruktúry.
Príklad zo skutočného života:
- Zhlukovanie - Algoritmus požaduje zoskupenie údajov s podobnými vlastnosťami; toto zoskupenie sa nazýva klastre. Tieto sa ukázali ako užitočné pri štúdiu týchto skupín, ktoré možno viac-menej použiť na celé údaje v rámci klastra.
- Údaje veľkých rozmerov - Údaje o veľkých rozmeroch zvyčajne nie je ľahké pracovať. S pomocou učenia bez dozoru je možná vizualizácia veľkorozmerných údajov.
- Generatívne modely - Keď váš algoritmus analyzuje a príde s rozdelením pravdepodobnosti vstupu, môže sa použiť na generovanie nových údajov. To sa ukazuje ako veľmi užitočné v prípade chýbajúcich údajov.
3. Posilňovacie strojové učenie
Tento typ algoritmu strojového učenia využíva metódu pokusov a omylov na získanie výstupu na základe najvyššej účinnosti funkcie. Výstup sa porovnáva, aby sa zistili chyby a spätná väzba sa vracia do systému, aby sa zlepšil alebo maximalizoval jeho výkon. Model je vybavený odmenami, ktoré sú v podstate spätnou väzbou a trestami pri jeho operáciách pri plnení konkrétneho cieľa.
4. Strojové učenie s čiastočným dohľadom
Tieto algoritmy bežne využívajú označené a neoznačené údaje, pričom množstvo neoznačených údajov je v porovnaní s označenými údajmi veľké. Keďže funguje s oboma algoritmami učenia pod dohľadom a bez dozoru, nazýva sa strojové učenie s čiastočným dohľadom. Systémy využívajúce tieto modely majú lepšiu presnosť učenia.
Príklad - Archív obrázkov môže obsahovať len niektoré zo svojich údajov označených, napr. Pes, mačka, myš a veľký kus obrázkov zostávajú neoznačené.
Modely založené na druhu výstupov z algoritmov
Nižšie sú typy modelov strojového učenia založené na druhu výstupov, ktoré očakávame od algoritmov:
1. Klasifikácia
Existuje rozdelenie tried vstupov; systém vytvorí model z trénovacích údajov, pričom jednej z týchto tried priradí nové vstupy. Spadá pod záštitu vyučovania pod dohľadom. Reálnym príkladom môže byť filtrovanie nevyžiadanej pošty, kde sú e-maily vstupom, ktorý je klasifikovaný ako „spam“ alebo „nevyžiadaná pošta“.
2. Regresia
Regresný algoritmus je tiež súčasťou učenia pod dohľadom, ale rozdiel je v tom, že výstupy sú spojité premenné a nie diskrétne.
Príklad - Predpovedanie cien nehnuteľností na základe údajov z minulosti.
3. Zníženie rozmerov
Tento typ strojového učenia súvisí s analýzami vstupov a redukuje ich len na tie relevantné pre vývoj modelu. Výber prvkov, t. j. výber vstupov a extrakcia prvkov, sú ďalšie témy potrebné na lepšie pochopenie redukcie rozmerov.
Na základe vyššie uvedených rôznych prístupov je potrebné zvážiť rôzne algoritmy. Niektoré veľmi bežné algoritmy sú lineárna a logistická regresia, K-najbližší susedia, rozhodovacie stromy, podporné vektorové stroje, náhodný les atď. Pomocou týchto algoritmov môžu mať zložité rozhodovacie problémy zmysel na základe veľkého množstva údajov. . Na dosiahnutie tejto presnosti a príležitostí je potrebné poskytnúť dodatočné zdroje, ako aj čas. Preto je strojové učenie používané spolu s umelou inteligenciou a inými technológiami efektívnejšie na spracovanie informácií.