Машинное обучение — это ветвь искусственного интеллекта (ИИ) и информатики, которая фокусируется на использовании данных и алгоритмов для имитации того, как люди учатся, постепенно повышая его точность. В настоящее время машинное обучение широко используется в технологиях, сельском хозяйстве, здравоохранении, финансах, производстве, электронной коммерции и во многих других областях. Многие современные ведущие компании, такие как Meta, Google и Amazon, делают машинное обучение центральной частью своей деятельности. Машинное обучение стало важным конкурентным преимуществом для многих компаний.
В этой статье мы узнаем о типах машинного обучения: обучении с учителем, обучении без учителя и обучении с подкреплением. Мы кратко узнаем о них здесь.
Таким образом, существует три основных типа машинного обучения.
- Контролируемое обучение
Данные представлены с помощью этикеток.
- Неконтролируемое обучение
Данные представлены без меток
- Обучение с подкреплением
Модель учится на основе системы вознаграждения.
Давайте пройдемся по каждому из них один за другим.
Контролируемое обучение
Контролируемое обучение — это тип машинного обучения, при котором ваша модель машинного обучения обучается на заданном уровневом наборе данных. В этом типе обучения как входные, так и выходные данные модели были предоставлены в самом начале в виде обучающих данных. Алгоритм мл находит взаимосвязь между заданными входными параметрами и выходными векторами меток. Определенная связь развертывается для использования с окончательным набором данных в реальных задачах в качестве решения.
Модели с учителем выполняют два типа задач, в первую очередь: регрессию и классификацию.
Регрессия
В задаче регрессии ожидается, что модель создаст числовую связь между входными параметрами и выходными метками, которые выводят действительное число. Некоторыми наиболее часто используемыми примерами регрессионных моделей являются прогнозы запасов, прогнозирование продажпродаж, прогнозирование поведения потребителей и многое другое.
Некоторые наиболее часто используемые алгоритмы регрессии:
- Линейная регрессия
- Полиномиальная регрессия
- Логистическая регрессия
- Машина опорных векторов
- Случайные леса
и многое другое.
Классификация
Ожидается, что в задачах классификации модель будет сортировать и классифицировать входные данные по заданному количеству категорий, которые называются классами. Классификация может быть бинарной, например, фильтрация электронных писем на спам и не спам. или это может быть мультикласс, например, фильтрация изображений фруктов или цветов или распознавание рукописных чисел.
Некоторые наиболее часто используемые алгоритмы классификации:
- Логистическая регрессия.
- Наивный Байес.
- K-Ближайшие соседи.
- Древо решений.
- Опорные векторные машины
и многое другое.
Неконтролируемое обучение
Неконтролируемое обучение — это тип машинного обучения, при котором модели машинного обучения обучаются с использованием немаркированных наборов данных. Такие модели находят скрытые закономерности и идеи в данных без какого-либо наблюдения. Неконтролируемое обучение используется для поиска основного шаблона и структуры набора данных, кластеризации или группировки данных в соответствии с их схожими характеристиками и многого другого.
Неконтролируемые модели выполняют два типа задач, в первую очередь кластеризацию и ассоциацию.
Кластеризация
В кластеризации модель группирует объекты в кластеры таким образом, что наиболее похожие объекты находятся в одном кластере, а объекты с меньшим сходством или без сходства принадлежат к разным кластерам. Например, если мы обучаем нашу неконтролируемую модель изображениям кошек и собак в качестве набора данных, тогда наша модель будет группировать изображения кошек и собак отдельно.
Некоторые наиболее распространенные алгоритмы кластеризации:
- Распространение близости.
- Агломеративная кластеризация.
- K-средства.
- Мини-пакет K-средних.
- Среднее смещение.
Ассоциация
В ассоциации, также известной как изучение правил ассоциации, модель находит интересные отношения между переменными в немаркированной и большой базе данных. Стратегия рыночных продаж или анализ потребительской корзины — хороший пример изучения ассоциативных правил, когда модель создает правила, определяющие, как продаваемые предметы и товары связаны друг с другом, например, люди, которые покупают предмет X, также склонны покупать предмет Y.
некоторые наиболее распространенные алгоритмы ассоциации:
- Априорный алгоритм
- Алгоритм Экла
- FP-алгоритм роста
и многое другое.
Обучение с подкреплением
Обучение с подкреплением сильно отличается от обучения с учителем и обучения без учителя. Этот метод обучения не требует никаких обучающих данных. Модели обучения с подкреплением учатся с помощью системы вознаграждения, которая вознаграждает модель за желаемые результаты в относительной среде. Множество моделей автомобилей, от роботов-шахматистов до автомобилей Tesla; все используют обучение с подкреплением для обучения своих моделей.
Если вы хотите больше узнать об этих темах и углубиться в каждую из них, а не только в терминологию, я рекомендую прочитать серию статей Вишала Майни "Машинное обучение для людей". Ниже я привожу некоторые из этих ссылок.
Машинное обучение для людей (полная серия):
Для контролируемого обучения:
Для неконтролируемого обучения:
Для обучения с подкреплением:
https://medium.com/machine-learning-for-humans/reinforcement-learning-6eacf258b265
Это для этой статьи. Теперь вы готовы использовать такие термины, как машинное обучение, обучение с учителем, обучение без учителя и другие.
