Hvad er maskinlæring?
Maskinlæring er et lille anvendelsesområde inden for kunstig intelligens, hvor maskiner automatisk lærer af driften og finesser sig selv for at give bedre output. Baseret på de indsamlede data har maskinerne en tendens til at arbejde på at forbedre computerprogrammerne i overensstemmelse med den krævede output. På grund af denne maskins evne til at lære på egen hånd, er eksplicit programmering af disse computere ikke påkrævet. Det har allerede sippet ind i vores liv overalt uden at vi ved det. Næsten hver maskine, vi bruger, og de avancerede teknologimaskiner, som vi er vidne til i det sidste årti, har inkorporeret maskinlæring til forbedring af produktkvaliteten. Nogle eksempler på maskinlæring er selvkørende biler, avanceret websøgning, talegenkendelse.
Menneskernes hovedmål er at udvikle maskinernes indlæringsalgoritme på en sådan måde, at det hjælper maskinerne til at lære automatisk uden nogen form for menneskelig indgriben. Indlæring, hvorimod afhænger af de data, der indføres, hvor maskiner observerer og genkender nogle mønstre og tendenser. Med hvert nyt datapunkt forbedres forståelsen af maskinen, og output er mere justeret og pålideligt. Dataene kan være numeriske værdier, direkte oplevelser, billeder osv., Som også bidrager til, hvordan vi nærmer os ethvert problem, vi ønskede at løse ved hjælp af maskinlæring. Der er også forskellige typer af maskinlæringsmetoder baseret på den type output, du har brug for.
Forskellen mellem konventionel programmering og maskinlæring
Konventionel programmering = Logik er programmeret + Data indlæses + Logik køres på data + Output
Maskinindlæring = Data indtastes + Forventet output indlæses + Kør dem på maskinen til træning af algoritmen fra input til output, kort sagt, lad dem oprette sin egen logik, der kan nå fra input til output + Trined algoritme brugt på testdata til forudsigelse
Metoder til maskinindlæring
Vi har fire hovedtyper af Machine Learning Methods baseret på den slags læring, vi forventer af algoritmerne:
1. Overvåget maskinlæring
Overvåget indlæringsalgoritmer bruges, når output klassificeres eller mærkes. Disse algoritmer lærer af fortidens data, der er indlæst, kaldet træningsdata, kører deres analyse og bruger denne analyse til at forudsige fremtidige begivenheder med eventuelle nye data inden for de kendte klassifikationer. Den nøjagtige forudsigelse af testdata kræver store data for at have en tilstrækkelig forståelse af mønstrene. Algoritmen kan trænes yderligere ved at sammenligne træningsudgange med faktiske og bruge fejlene til ændring af algoritmerne.
Eksempel på det virkelige liv:
- Billedklassificering - Algoritmen er hentet fra fodring med mærkede billeddata. En algoritme trænes, og det forventes, at algoritmen i tilfælde af det nye billede klassificerer den korrekt.
- Markedsprognose - Det kaldes også regression. Historiske forretningsmarkedsdata føres til computeren. Med analyse og regressionsalgoritme forudsiges ny pris for fremtiden afhængigt af variabler.
Lad os gå til de næste hovedtyper af maskinlæringsmetoder.
2. Uovervåget maskinlæring
Ikke-overvågede læringsalgoritmer bruges, når vi ikke er opmærksomme på de endelige output og klassificeringen eller mærkede output er ikke til vores rådighed. Disse algoritmer undersøger og genererer en funktion til at beskrive helt skjulte og umærkede mønstre. Der er således ingen korrekt output, men den studerer dataene for at give ud ukendte strukturer i umærkede data.
Eksempel på det virkelige liv:
- Clustering - Data med lignende egenskaber bliver bedt om at gruppere sammen efter algoritmen, denne gruppering kaldes clusters. Disse viser sig nyttige i undersøgelsen af disse grupper, som kan anvendes på alle data i en klynge mere eller mindre.
- Data med høj dimension - Data med høj dimension er normalt ikke let at arbejde med. Ved hjælp af uovervåget læring bliver visualisering af data med høj dimension mulig
- Generative modeller - Når din algoritme analyserer og kommer med sandsynlighedsfordelingen af input, kan den bruges til at generere nye data. Dette viser sig at være meget nyttigt i tilfælde af manglende data.
3. Læring af armeringsmaskiner
Denne type maskinindlæringsalgoritme bruger prøve- og fejlmetoden til at fjerne output baseret på funktionens højeste effektivitet. Outputet sammenlignes for at finde ud af fejl og feedback, der føres tilbage til systemet for at forbedre eller maksimere dets ydelse. Modellen er udstyret med belønninger, der dybest set er feedback og straffe i dens operationer, mens de udfører et bestemt mål.
4. Semi-superviseret maskinlæring
Disse algoritmer udfører normalt mærkede og umærkede data, hvor den umærkede datamængde er stor sammenlignet med mærkede data. Da det fungerer med både og i mellem overvåget og uovervåget indlæringsalgoritmer, kaldes det derfor semi-overvåget maskinlæring. Systemer, der bruger disse modeller, ses at have forbedret indlæringsnøjagtighed.
Eksempel - Et billedarkiv kan kun indeholde nogle af dets data mærket, f.eks. Hund, kat, mus og en stor del af billeder forbliver umærkede.
Modeller baseret på typen af output fra algoritmerne
Nedenfor er de typer af maskinlæringsmodeller, der er baseret på den type output, vi forventer af algoritmerne:
1. Klassificering
Der er en inddeling af klasser af inputene, systemet producerer en model ud fra træningsdata, hvor det tildeler nye input til en af disse klasser
Det falder under paraplyen af overvåget læring. Virkelige eksempler kan være spamfiltrering, hvor e-mails er det input, der klassificeres som "spam" eller "ikke spammet".
2. Regression
Regressionsalgoritme er også en del af overvåget læring, men forskellen er, at output er kontinuerlige variabler og ikke diskrete.
Eksempel - Forudsigelse af huspriser ved hjælp af tidligere data
3. Dimensionalitetsreduktion
Denne type maskinlæring er relateret til analyser af input og reducering af dem til kun relevante dem, der skal bruges til modeludvikling. Funktionsvalg, dvs. valg af input og ekstraktion af funktioner, er yderligere emner, der skal overvejes for bedre forståelse af dimensionalitetsreduktion.
På baggrund af ovenstående forskellige tilgange er der forskellige algoritmer, der skal overvejes. Nogle meget almindelige algoritmer er Linear og Logistic Regression, K-nærmeste naboer, Beslutningstræer, Supportvektormaskiner, Random Forest osv. Ved hjælp af disse algoritmer kan komplekse beslutningsproblemer have en følelse af retning baseret på en enorm mængde data . For at opnå denne nøjagtighed og muligheder kræves der tilføjet ressourcer såvel som tid. Maskinlæring, der bruges sammen med kunstig intelligens og andre teknologier, er mere effektiv til at behandle information.
Anbefalede artikler
Dette har været en guide til Typer af maskinlæring. Her diskuterede vi konceptet, forskellige metoder og forskellige slags modeller til algoritmer. Du kan også gennemgå vores andre foreslåede artikler for at lære mere -
- Maskinindlæringsteknikker
- Hvad er dyb læring
- Hvad er maskinlæring?
- Introduktion til maskinlæring
- Hyperparameter-maskinlæring