Вы, должно быть, слышали в СМИ термины "машинное обучение" и "искусственный интеллект". Возможно, как алгоритмы машинного обучения превзошли людей в таких играх, как шахматы, ГО и т. Д., Или как машинное обучение и искусственный интеллект могут быть использованы для улучшения медицинской диагностики и лечения. Это интересно, правда?
Давайте разберемся с концепциями и интуицией, лежащими в основе машинного обучения.
Искусственный интеллект и машинное обучение, от беспилотных автомобилей до правдоподобных подделок, имеют значение для будущего нашего общества и того, как мы функционируем.
Прежде всего, давайте посмотрим, как взаимосвязаны ИИ, машинное обучение и наука о данных:
Искусственный интеллект (ИИ): Для непрофессионала ИИ - это, по сути, огромный набор инструментов, позволяющих заставить компьютеры вести себя разумно. Он включает в себя различные подполи, такие как робототехника, машинное обучение и т. Д.
Машинное обучение (ML). Это наиболее распространенная подгруппа ИИ, которую можно интерпретировать как «набор инструментов для создания выводов и прогнозов на основе ДАННЫХ».
Наука о данных (DS). Как мы знаем, вся суть DS заключается в обнаружении и передаче аналитических данных на основе данных. Машинное обучение часто является важным инструментом в работе DS, особенно когда дело касается прогнозов.
Модель машинного обучения (ах! не думайте об этой "модели": D):
По сути, это статистическое представление реального процесса на основе данных. Типичный, правда ?. Думайте об этом так, как будто у вас есть коробка, и когда вы что-то вводите, она дает результат.
Например: наша модель может быть такой, которая может классифицировать любой «твит», скажем, на «поддельный» или «не поддельный».
Прежде чем перейти к типам машинного обучения, я хотел бы познакомить вас с несколькими жаргонами, которые мы будем использовать, и вы должны знать эти стандартные термины.
i) Обучающий набор данных: существующий набор данных, с помощью которого мы собираемся построить нашу модель машинного обучения.
ii) Целевая переменная и метки: Целевая переменная, иногда также известная как (Зависимая переменная, Выходная переменная), что, по сути, является тем, на что мы нацелены (хотим предсказать).
iii) Наблюдения / Примеры / Записи / Экземпляры / Образцы: Это в основном количество строк, которые подразумевают наблюдения.
iv) Возможности / независимые переменные: Возможности - это, по сути, характеристики, которые вы рассматриваете, которые каким-то образом связаны с нашей целевой переменной (которую мы хотим спрогнозировать).
Теперь давайте обсудим типы машинного обучения:
- Машинное обучение с учителем
- Неконтролируемое машинное обучение
- Армирование ML
В этой статье мы больше сосредоточимся на контролируемом и неконтролируемом машинном обучении, так как эти два наиболее часто используются и достаточно хороши для начала работы.
- Контролируемое обучение. Контролируемое обучение - это, по сути, этикетировочная машина. Он требует наблюдения и присваивает ему ярлык.
Существует два вида обучения с учителем:
- Классификация. В приведенном выше примере, когда мы хотим разделить твит на «поддельный» или «не поддельный», мы на самом деле имели дело с контролируемой классификацией ML. Итак, у вас должно быть ощущение, что в классификации мы как бы классифицируем вещи по некоторым предопределенным дискретным категориям, и да, вы все правильно поняли! Это так просто.
Классификация заключается в присвоении категории наблюдению. Мы прогнозируем дискретную переменную, переменную, которая может принимать только несколько разных значений. Собирается ли этот клиент прекратить подписку или нет? Это родинка злокачественная или нет? Это вино красное, белое или розовое? Этот цветок - роза, тюльпан, гвоздика, лилия?
Отличным примером классификации является классификация писем «Спам», которую можно изобразить следующим образом:
- Регрессия. В то время как классификация присваивает категорию, регрессия присваивает непрерывную переменную, то есть переменную, которая может принимать любое значение. Например, сколько будет стоить эта акция? Какого роста будет этот ребенок во взрослом возрасте? какая будет температура завтра? и многие другие утверждения могут быть обработаны с помощью регрессии.
Изобразите это с помощью следующего примера, в котором мы попытаемся предсказать температуру с помощью доступной функции «Влажность».
Набор данных:
Когда мы построим его, мы получим что-то вроде следующего:
Теперь, с помощью регрессии (здесь линейная регрессия), мы хотели бы найти наиболее подходящую линию для этих точек данных, которая затем поможет нам предсказать любое новое значение температуры для данного значения влажности.
Вкратце, классификация = категория (дискретные значения) & регрессия = непрерывная (например, температура, высота, цена чего-либо и т. Д.).
2. Обучение без учителя: (без руководителя) - данные без ярлыков, т. Е. У нас нет никакой предварительной информации о ярлыках (нет столбца целевой переменной).
Итак, в чем тогда смысл?
Дело в том, что неконтролируемое обучение учится на основе набора данных и пытается найти закономерности. Вот почему этот метод настолько интересен и эффективен: мы можем находить идеи, не зная ничего о нашем наборе данных.
Обучение без учителя бывает трех видов:
а) Кластеризация
б) Обнаружение аномалий
в) Ассоциация
Давайте сначала рассмотрим кластеризацию, а в следующей статье мы рассмотрим два других.
а) Кластеризация. Кластеризация состоит из определения групп в вашем наборе данных. Наблюдения в этих группах имеют более сильное сходство с членами их группы, чем с членами других групп.
Вы получите это по следующему примеру:
Предположим, вам даны разные собаки и кошки, как показано ниже:
Один из способов создания кластера / группы - это «Виды», верно?
Другой способ - использовать «Цвет», как показано ниже:
Теперь вы должны четко понимать идею кластеризации. Существуют различные способы сделать это, это будет совершенно отдельная тема, о которой мы расскажем в следующих статьях.
Вся цель этой статьи - дать интуитивное представление о машинном обучении самым простым способом. Несмотря на то, что она охватывает самые основы, я надеюсь, что после прочтения этой статьи многие из вас почувствуют себя более комфортно с машинным обучением и связанной с ним терминологией.
Удачного обучения !!
