Što je strojno učenje?
Strojno učenje je malo područje primjene umjetne inteligencije u kojem strojevi automatski uče iz operacija i usavršavaju se kako bi dali bolji rezultat. Na temelju prikupljenih podataka, strojevi teže raditi na poboljšanju računalnih programa usklađujući se s potrebnim izlazom. Zbog ove sposobnosti stroja da samostalno uči, nije potrebno eksplicitno programiranje ovih računala. Već je posvuda ušao u naš život, a da nismo znali. Praktično svaki stroj koji koristimo i napredne tehnologije strojeva kojima smo svjedoci u posljednjem desetljeću uključuju ugrađeno strojno učenje radi poboljšanja kvalitete proizvoda. Neki primjeri strojnog učenja su automobili koji voze automobile, napredne internetske pretrage, prepoznavanje govora.
Glavni cilj ljudi je razviti algoritam učenja strojeva na način koji pomaže strojevima da automatski uče bez ikakve ljudske intervencije. Učenje dok ovisi o podacima koji se unose gdje strojevi promatraju i prepoznaju neke obrasce i trendove. Sa svakom novom točkom podataka, razumijevanje stroja poboljšava se, a rezultati su usklađeniji i pouzdaniji. Podaci mogu biti brojčane vrijednosti, izravna iskustva, slike itd. Što također doprinosi načinu na koji pristupamo bilo kojem problemu koji smo htjeli riješiti uz pomoć strojnog učenja. Također, postoje različite vrste pristupa strojnom učenju na temelju vrste rezultata koji vam je potreban.
Razlika između konvencionalnog programiranja i strojnog učenja
Konvencionalno programiranje = Logika se programira + Podaci se unose + Logika se pokreće na podacima + izlazu
Strojno učenje = unose se podaci + unosi se očekivani izlaz + Pokrenite ga na stroju za treniranje algoritma od ulaza do izlaza, ukratko, pustite da stvori vlastitu logiku da dosegne od ulaza do izlaza + Trenirani algoritam koji se koristi na testnim podacima za predviđanje
Metode strojnog učenja
Imamo četiri glavne vrste metoda strojnog učenja temeljene na vrsti učenja koje očekujemo od algoritama:
1. Nadzirano strojno učenje
Nadzirani algoritmi učenja koriste se kada je izlaz klasificiran ili označen. Ovi algoritmi uče iz prošlih podataka koji se unose, koji se nazivaju podacima obuke, pokreću svoju analizu i koriste ovu analizu za predviđanje budućih događaja bilo kojih novih podataka u poznatim klasifikacijama. Točno predviđanje testnih podataka zahtijeva da veliki podaci imaju dovoljno razumijevanja obrazaca. Algoritam se može dodatno obučiti usporedbom rezultata treninga s stvarnim i korištenjem pogrešaka za modifikaciju algoritama.
Primjer iz stvarnog života:
- Razvrstavanje slike - algoritam se crpi iz hranjenja označenim podacima slike. Algoritam je obučen i očekuje se da ga u slučaju nove slike algoritam ispravno klasificira.
- Predviđanje tržišta - Naziva se i regresija. Podaci o povijesnom poslovnom tržištu šalju se na računalo. Sa algoritmom analize i regresije predviđa se nova cijena za budućnost, ovisno o varijablama.
Prijeđimo na sljedeće glavne vrste metoda strojnog učenja.
2. Nenadzirano strojno učenje
Nenadzorani algoritmi učenja koriste se kada nismo svjesni krajnjih rezultata i ako nam klasificirani ili označeni rezultati nisu na raspolaganju. Ovi algoritmi proučavaju i generiraju funkciju za opisivanje potpuno skrivenih i neoznačenih obrazaca. Dakle, nema ispravnog izlaza, ali on proučava podatke da u neobilježenim podacima iznese nepoznate strukture.
Primjer iz stvarnog života:
- Klasteriranje - Podaci sa sličnim osobinama trebaju se grupirati zajedno prema algoritmu, ovo grupiranje se naziva klasteri. One su korisne za proučavanje ovih skupina koje se više ili manje mogu primijeniti na cjelokupne podatke unutar klastera.
- Podaci velike dimenzije - s podacima velike dimenzije obično nije lako raditi. Uz pomoć nenadziranog učenja, vizualizacija podataka visoke dimenzije postaje moguća
- Generativni modeli - Jednom kada vaš algoritam analizira i dođe do raspodjele vjerojatnosti unosa, on se može koristiti za generiranje novih podataka. To se pokazuje vrlo korisnim u slučajevima kada nedostaju podaci.
3. Strojno učenje ojačanja
Ova vrsta algoritma strojnog učenja koristi metodu pokušaja i pogreške kako bi se postigao izlaz na temelju najveće učinkovitosti funkcije. Izlaz se uspoređuje kako bi se otkrile pogreške i povratne informacije koje se vraćaju sustavu radi poboljšanja ili maksimiziranja njegovih performansi. Model se nudi nagradama koje su u osnovi povratne informacije i kazne u njegovom radu tijekom obavljanja određenog cilja.
4. Polu nadzirano strojno učenje
Ovi algoritmi obično uzimaju obilježene i neobilježene podatke, gdje je količina neoznačenih podataka velika u usporedbi s obilježenim podacima. Budući da djeluje s i između algoritama učenja pod nadzorom i bez nadzora, zbog toga se naziva i polutrajno strojno učenje. Za sustave koji koriste ove modele vidi se da imaju poboljšanu preciznost učenja.
Primjer - Arhiva slika može sadržavati samo neke podatke s oznakom, npr. Pas, mačka, miš i velika skupina slika ostaju neoznačeni.
Modeli temeljeni na vrsti rezultata iz algoritama
Ispod su vrste modela strojnog učenja na temelju rezultata koji očekujemo od algoritama:
1. Razvrstavanje
Postoji podjela klasa ulaza, sustav proizvodi model iz podataka o obuci u kojem jednoj od tih klasa dodjeljuje nove ulaze.
To spada pod okrilje nadziranog učenja. Primjer iz stvarnog života može biti filtriranje neželjene pošte, gdje su unosi e-pošte koji su klasificirani kao "neželjena pošta" ili "neželjena pošta".
2. regresija
Regresijski algoritam također je dio nadziranog učenja, no razlika je u tome što su rezultati kontinuirane varijable, a ne diskretni.
Primjer - predviđanje cijena kuća pomoću prethodnih podataka
3. Smanjenje dimenzija
Ova vrsta strojnog učenja povezana je s analizama ulazaka i svodeći ih na samo relevantne koji će se koristiti za razvoj modela. Odabir značajki, odnosno odabir ulaza i ekstrakcija značajki, dodatne su teme koje treba razmotriti radi boljeg razumijevanja smanjenja dimenzija.
Na temelju gore navedenih različitih pristupa, mogu se uzeti u obzir različiti algoritmi. Neki vrlo uobičajeni algoritmi su linearna i logistička regresija, K-najbliži susjedi, stabla odluka, vektorski sustavi podrške, Random Forest itd. Uz pomoć ovih algoritama složeni problemi s odlukama mogu imati smjer koji se temelji na ogromnoj količini podataka, Da bi se postigla tačna točnost i mogućnosti, potrebno je osigurati dodatne resurse, kao i vrijeme. Strojno učenje koje se koristi zajedno s umjetnom inteligencijom i drugim tehnologijama učinkovitije je za obradu informacija.
Preporučeni članci
Ovo je vodič za vrste mašinskog učenja. Ovdje smo razgovarali o konceptu, različitoj metodi i različitoj vrsti algoritama. Možete i proći kroz naše druge Prijedloge članaka da biste saznali više -
- Tehnike strojnog učenja
- Što je duboko učenje
- Što je strojno učenje?
- Uvod u strojno učenje
- Strojno učenje hiperparametara