Uvod u vrste algoritama strojnog učenja
Vrste algoritama strojnog učenja ili AI proračuni su programi (matematika i obrazloženje) koji se modificiraju kako bi imali bolje rezultate jer su prezentirani na više informacija. "Prilagođavanje" nekog dijela AI podrazumijeva da ti projekti nakon određenog vremena mijenjaju način na koji obrađuju informacije, koliko i ljudi mijenjaju način na koji obrađuju informacije učenjem. Dakle, strojno učenje ili izračun AI je program s određenom metodom za promjenu vlastitih parametara, s obzirom na kritike na njegova očekivanja u vezi s skupa podataka iz prošlosti.
Sve vrste algoritama strojnog učenja
Njihove određene vrste kako okarakterizirati vrste algoritama strojnog učenja, no obično ih se može podijeliti u klase prema njihovoj motivaciji, a temeljne klasifikacije su u nastavku:
- Nadzirano učenje
- Učenje bez nadzora
- Polu-nadzirano učenje
- Učenje ojačanja
Što je nadzirano učenje
Nadzirano učenje je mjesto gdje možete smatrati da učenje vodi instruktor. Imamo bazu podataka koja se koristi kao edukator, a njegov je posao pripremiti model ili stroj. Kad se model pripremi, može započeti slaganje s očekivanjem ili izborom kad mu se daju nove informacije.
Primjer nadziranog učenja:
- Dobivate mnoštvo fotografija s podacima o tome što se nalazi na njima, a nakon toga trenirate model kako percipirati nove fotografije.
- Imate puno podataka o cijenama kuća na temelju njihove veličine i lokacije te ih unesete u model i uvježbavate, a zatim možete predvidjeti cijene ostalih kuća na temelju podataka koje hranite.
- ako želite predvidjeti da li je vaša poruka neželjena ili ne temelji se na starijoj poruci, možete predvidjeti da li je nova poruka neželjena ili ne.
Nadzirani algoritam učenja je kako slijedi:
1) Linearna regresija
linearna regresija vrijedna je za otkrivanje veze dvaju postojanih faktora. Jedan je prediktor ili autonomna varijabla, a drugi je varijabla reakcije ili odstupanja. Traži mjerljiv odnos, ali ne determiniran odnos. Kaže se da je povezanost dvaju čimbenika deterministička na vanrednu priliku da jedna varijabla može precizno priopćiti drugu. Na primjer, koristeći temperaturu u Celzijusu, moguće je precizno predvidjeti Fahrenheit. Stvarni odnos nije precizan u odlučivanju o povezanosti dvaju čimbenika. Na primjer, veza negdje u području visokih i težinskih težina. Središnja je misao dobiti liniju koja najbolje odgovara informacijama. Najbolje odgovara liniji za koju se sveobuhvatna pogreška prognoze (svi fokusiranja informacija) može dobiti onoliko malo koliko se može očekivati u datim okolnostima. Pogreška je razdvajanje točke između regresijske crte.
2) Stabla odlučivanja
Stablo odluke je naprava za pomoć odlukama koja koristi dijagram ili model nalik na stablo i njihove potencijalne ishode, uključujući rezultate slučajnosti, događaje, troškove resursa i korisnost. Istražite sliku da biste dobili osjećaj na što nalikuje.
3) Naivna Bayesova klasifikacija
Naive Bayes klasificira skupinu osnovnih vjerojatnih klasifikatora ovisno o primjeni Bayesove teorije koja ima snažnu (nesposobnu) samoupravu značajke Naive Bayes. Ova klasifikacija Neki od certificiranih modela su:
Da biste ovjeravali e-poštu kao neželjenu ili neželjenu poštu
Naručite vijest o inovacijama, vladinoj problematici ili sportu
Provjerite dodir tvari koja prenosi pozitivne emocije ili negativne osjećaje?
Koristi se za programiranje prepoznavanja lica.
4) Logistička regresija
Logistička regresija revolucionarna je faktička metoda za pokazivanje binomnog rezultata s najmanje jednim informativnim čimbenicima. Kvantificira povezanost apsolutne varijable čuvara i najmanje jednog slobodnog faktora procjenjujući vjerojatnosti korištenjem logističkih kapaciteta, što je kombinirana logistička prisvajanje.
U stvarnom životu regresije će biti korisne:
Kreditna ocjena
Mjera uspješnosti tržišta ili tvrtke
Predviđanje prihoda bilo koje tvrtke ili bilo kojeg proizvoda
Hoće li u nekom danu doći do potresa?
5) regresija običnih najmanjih kvadrata
Najmanji kvadratići su strategija za izravnu regresiju. izravna regresija je poduhvata postavljanja crta kroz puno fokusiranja. Postoje različiti potencijalni postupci da se to postigne, a sustav "običnih najmanjih kvadrata" ide ovako: Možete nacrtati crtu i nakon toga za sve podatkovne centre izmjeriti okomiti odmak između točke i crte i uključiti ih gore; postavljena linija bi bila mjesto ovog agregata pregrada koliko je jedva koliko bi to moglo biti normalno u svjetlu trenutne situacije.
Što je nenadzirano učenje?
Model uči kroz percepciju i otkriva strukture u informacijama. Kad model dobije skup podataka, taj postupak otkriva primjere i veze u skupu podataka praveći gomile u njemu. Ono što ne može učiniti je dodati tragove u grozd, slično kao što ne može navesti skup jabuka ili manga, međutim, svaku će jabuku izolirati od manga.
Pretpostavimo da smo modelu prikazali slike jabuka, banana i manga, pa ono što čini, u svjetlu određenih primjera i veza čini skup i dijeli skup podataka u te skupine. Trenutno ako se modelu poboljšana još jedna informacija, dodaje ga jednom od napravljenih grozdova.
Primjer nenadziranog učenja
- Imate puno fotografija od 6 pojedinaca, a bez podataka o tome tko je na kojem, a taj skup podataka morate izolirati u 6 skupina, na svakoj s fotografijama jedne osobe.
- Imate čestice, dio njih su lijekovi, a dio nisu, no ne shvaćate koji će biti, a za pronalazak lijekova vam je potrebna računica.
Nenadzirani algoritam učenja je kako slijedi
grupiranje
Klasteriranje je značajna ideja koja se tiče učenja bez pomoći. Najvećim dijelom uspijeva pronaći strukturu ili primjer u prikupljanju nekategoriziranih informacija. Izračuni klasteriranjem obradit će vaše podatke i otkriti karakteristične grozdove (grupe) u slučaju da postoje u informacijama. Možete isto tako izmijeniti koji broj grozdova treba razlikovati. Omogućuje vam da promijenite granularnost ovih skupova.
Postoje različite vrste grupiranja koje možete koristiti
- Selektivno (raspoređivanje)
- Model: K-znači
- aglomerativnim
- Model: Hijerarhijsko grupiranje
- Pokrivati
- Model: Fuzzy C-Sredstva
- probabilistički
Vrste algoritama klasteriranja
- Hijerarhijsko grupiranje
- K-znači grupiranje
- K-NN (k najbliži susjedi)
- Analiza glavnih komponenti
- Dekompozicija solitarne vrijednosti
- Analiza nezavisnih komponenti
- Hijerarhijsko klasteriranje
Hijerarhijsko klasteriranje
Hijerarhijsko grupiranje je proračun koji konstruira ključni redoslijed skupina. Započinje sa svakom pojedinom informacijom koja se dovodi do njihove vlastite gomile. Ovdje će dvije slične skupine biti u sličnoj gomili. Ovaj se proračun zatvara kada je preostala samo jedna grupa.
K-znači klasteriranje
K znači da je iterativni izračun klastera koji vas potiče da pronađete najvažniji poticaj za svaki naglasak. U početku se bira idealan broj grupa. U ovoj tehnici grupiranja morate skupiti informacije koje su usredotočene na k okupljanja. Veća k znači i manje skupova sa većom zrnatošću na sličan način. Niži k znači veća okupljanja s manje zrnatosti.
Prinos izračuna je skupljanje "imena". Omogućuje da informacije pokažu na jedno od k skupova. U k-značenju klastera, svako je okupljanje okarakterizirano izradom centroida za svako okupljanje. Centroidi su poput jezgre gomile koja hvata fokus koji im je najbliži i dodaje ih grupi.
K-srednje klasteriranje dalje karakterizira dvije podskupine
- Aglomerativno grupiranje
- dendrogram
Aglomerativno grupiranje
Ova vrsta K-znači grupiranja započinje s fiksnim brojem grozdova. Označava sve informacije u tačan broj grupa. Ova strategija grupiranja ne zahtijeva broj skupina K kao informacije. Postupak aglomeracije započinje oblikovanjem svakog datuma kao samotne hrpe.
Ova strategija koristi određenu mjeru razdvajanja, kombinirajući postupak smanjuje broj grozdova (po jedan u svakom naglasku). Zaključno, imamo jednu veliku skupinu koja sadrži svaki od članaka.
dendrogram
U tehnici grupiranja Dendrogram svaka će razina govoriti razumljivim skupom. Visokost dendrograma pokazuje stupanj sličnosti dvaju pridruženih grozdova. Što se više približavaju bazi postupka, oni imaju progresivno usporedivu gomilu što je nalaz sakupljanja dendrograma koji nije karakterističan i većim dijelom apstraktan.
K-najbliži susjedi
K-najbliži susjed je najjednostavniji od svih AI klasifikatora. Ona se razlikuje od ostalih AI postupaka po tome što ne isporučuje model. To je izravan izračun koji pohranjuje svaki dostupni slučaj i karakterizira nove primjere ovisno o mjeri ličnosti.
Vrlo dobro djeluje kada postoji razdvajanje između modela. Stopa učenja je umjerena kada je set priprema ogroman, a odvajanje razdvajanja nije netrivijalno.
Analiza glavnih komponenti
Od verovatnoće da vam treba prostor viših dimenzija. Morate odabrati razlog za taj prostor i samo 200 najznačajnijih rezultata te premise. Ova je baza poznata kao glavna komponenta. Podskup koji odaberete sadrži još jedan prostor male veličine koji je u kontrastu s jedinstvenim prostorom. Međutim, zadržava mnogo višestruke prirode informacija kao što se moglo očekivati.
Što je pojačano učenje?
Sposobnost je stručnjaka da surađuje sa zemljom i otkrije koji je najbolji rezultat. Slijedi ideja hit i preliminarna tehnika. Rukovatelj se nagrađuje ili kažnjava bodom za pravilan ili odbitak odgovora, a na temelju pozitivnih fokusiranja nagrada koje je odabrao model vlakova. Također, jednom kad se jednom pripremi, priprema se predvidjeti nove informacije koje su joj unesene.
Primjer učenja ojačanja
- Prikazivanje oglasa prema korisniku poput negativnih negacija optimizira se za dugoročno razdoblje
- Znajte proračun oglasa koji se koristi u stvarnom vremenu
- inverzno pojačanje učiti kako bolje znati kupce kao što ne vole
Što je učenje pod nadzorom?
Polu-nadzirana vrsta učenja, proračun se priprema na mješavini imenovanih i neoznačenih informacija. Obično će ova mješavina sadržavati ograničenu količinu imenovanih informacija i puno neobilježenih informacija. Temeljna metoda uključena je da prvo, softverski inženjer će grupirati uporedive informacije koristeći proračun bez pomoći i naknadno upotrijebiti trenutne imenovane podatke kako bi imenovao ostatak neobilježenih informacija. Slučajevi uobičajene uporabe takve vrste izračuna imaju tipično svojstvo među njima - Dobivanje neoznačenih informacija općenito je skromno, a imenovanje navedenih podataka skupo je skupo. Prirodno, mogu se zamisliti tri vrste izračuna učenja kao supervizirano shvaćajući gdje je predmete pod nadzorom instruktora u kući i u školi, a nenadzorovano shvaćajući gdje predodređeni treba smisliti samu ideju, a polu-nadzirani shvaćajući gdje odgajatelj pokazuje nekoliko ideja u razredu i postavlja upite kao školski rad koji ovisi o usporedivim idejama.
Primjer učenja pod nadzorom
Izuzetno je da više informacija = kvalitetniji modeli dubokog učenja (do određenog mjesta zatvora jasno, ali češće od toga nemamo toliko informacija.) Bilo kako bilo, dobijanje obilježenih informacija je skupo. U slučaju da trebate pripremiti model kako biste razlikovali krilate životinje, možete postaviti puno kamera kako bi se nakon toga fotografirali kokoši. To je općenito skromno. Ugovaranje pojedinaca za označavanje tih fotografija skupo je. Razmislite o mogućnosti da imate ogroman broj slika krilatećih životinja, ali samo ugovorite pojedince da označe mali podskup fotografija. Kao što se pokazalo, umjesto da jednostavno obučavate modele na označenom podskupu, model možete prethodno uvježbati na cijelom skupu treninga, prije nego što ga povezujete s imenovanim podskupinom te po tim linijama pokazujete znakove poboljšanja. To je učenje pod nadzorom. Postavlja novce.
Zaključak
Postoje mnoge vrste algoritama strojnog učenja, a na temelju različitih i različitih uvjeta moramo koristiti algoritam najboljeg prilagođavanja za najbolji rezultat. Postoji mnogo algoritama koji pronalaze najbolju točnost svake vrste algoritama strojnog učenja i koji su najprecizniji što taj algoritam moramo koristiti. Možemo minimizirati pogreške svakog algoritma smanjenjem buke u podacima. Za kraj ću reći da ne postoji niti jedan algoritam strojnog učenja koji bi vam mogao dati stopostotnu točnost, čak i ljudski mozak to ne može učiniti, pa pronađite najbolji algoritam jele za svoje podatke.
Preporučeni članci
Ovo je vodič za Vrste algoritama strojnog učenja. Ovdje smo razgovarali o tome što je algoritam strojnog učenja ?, a njegove vrste uključuju nadzirano učenje, nekontrolirano učenje, učenje pod nadzorom, učenje s pojačanjem. Možete pogledati i sljedeće članke da biste saznali više -
- Metode strojnog učenja
- Knjižnice strojnog učenja
- Modeli strojnog učenja
- Okviri strojnog učenja
- Strojno učenje hiperparametara
- Hijerarhijsko grupiranje | Aglomerativno i podjeljeno grupiranje
- Stvorite stablo odluka | Kako stvoriti | prednosti
- Životni ciklus strojnog učenja | Top 8 pozornica