Технологии обновляются в невероятных масштабах. Каждый день, каждый час, каждую минуту у нас появляется что-то новое. Наука о данных - одно из немногих модных словечек этой технологической фазы. Исследования показывают, что после 2008 года наблюдался огромный приток данных. Каждую секунду многочисленные системы по всему миру обрабатывают терабайты данных. Это привело к развитию области науки о данных.
Искусственный интеллект в представлении не нуждается. Все, что нас окружает, прямо или косвенно является реализацией искусственного агента. Пример? YouTube.
YouTube сыграл значительную роль в нашей жизни. Как вы думаете, откуда взялся предлагаемый контент? YouTube проверяет предпочтения каждого пользователя в отношении видео, определяет закономерность и, следовательно, выдает видео, которые могут быть интересны пользователю. Это не работа любого человека, который сидит и проверяет ваши предпочтения. Нужен перерыв?
Спросите Сири, наверное, у нее что-то есть :)
Да, одним из наиболее широко используемых в мире агентов является Siri от Apple. Siri - виртуальный агент, не обладающий собственным интеллектом. Тем не менее, она может дать вам все, что вы хотите. Как это работает?
Группа специалистов по данным собралась и решила внедрить то, что мы теперь называем искусственными агентами. Эти парни довольно хороши, когда дело касается технологий; кроме того, им необходимо передать данные агента. Они нуждаются в этом, чтобы понимать, как следует принимать решения и делать прогнозы. Следовательно, для успешного агента решающее значение имеют очень сильные математические знания. Математическая экспертиза относится к алгоритмам, которые дают прогнозные результаты. Этот процесс относится к машинному обучению. Машина получает эти эффективные алгоритмы, и ее заставляют понять, что это необходимо для решения проблем.
Смущенный? Ага, родственный. Часто многие путают ИИ с машинным обучением. Алгоритмы машинного обучения могут быть связаны с интеллектом, который находится внутри нас, людей, чтобы иметь возможность принимать решения и делать выводы. Искусственные агенты - это те, кому скармливают этот «интеллект», чтобы они могли разыгрывать человеческое поведение.
Давайте немного углубимся в технические аспекты машинного обучения. С технической точки зрения, машинное обучение включает в себя алгоритмы, которые позволяют компьютерам учиться на наборе данных и улучшать себя практически без вмешательства человека.
Его можно разделить на 3 типа:
1) Обучение с учителем.
2) Обучение без учителя.
3) Обучение с подкреплением.
1) Контролируемые алгоритмы обучения:
В модели контролируемого обучения системе предоставляются некоторые данные, которые помечаются пользователем. Это означает, что каждое включенное значение данных имеет правильную метку. Конечная цель здесь - убедиться, что задействованная функция отображения может предсказывать значения для определенных данных с минимальным количеством вариаций.
ВИДЫ ПОДГОТОВКИ ОБУЧЕНИЯ:
· КЛАССИФИКАЦИЯ: проблема классификации связана с истинными или ложными значениями. Пример. Если вы проверяете болезнь, классификация болезни может быть положительной или отрицательной.
· РЕГРЕССИЯ: проблема регрессии - это когда необходимо отобразить определенное отношение между выходными и входными переменными и вычислить результаты.
2) Алгоритмы обучения без учителя:
При обучении без учителя системе / алгоритму предоставляются данные без ярлыков и категорий. Алгоритмы предназначены для работы с набором данных, подаваемым без какого-либо предварительного обучения или обучения.
В качестве очень простого примера возьмем наших любимых героев мультфильмов.
В этом примере модели кормят следующих персонажей. Модель делает предположение, основанное на том, является ли следующий персонаж уткой или нет. В данных обучения нет метки или категории. Модель может сделать это разделение, глядя на данные и используя различные алгоритмы, чтобы изменить ситуацию.
ВИДЫ БЕСПРОВОДНОГО ОБУЧЕНИЯ:
· КЛАСТЕРИЗАЦИЯ: проблема кластеризации заключается в том, что кто-то желает сгруппировать специфические данные, показывающие похожие свойства. Типичным примером может быть группировка людей на основе их любимого мороженого.
· АССОЦИАЦИЯ: алгоритм изучения правила ассоциации - это то место, где вы хотите определить, есть ли сходство в данных. Пример: люди, которым нравится ванильное мороженое, также любят шоколадное мороженое.
Обучение с подкреплением
3) Алгоритмы обучения с подкреплением:
При обучении с подкреплением алгоритм или умный агент обучается, взаимодействуя со средой, которой он подвергается. В качестве награды агент получает вознаграждение за правильное выполнение задачи, а за неверный результат соответственно вычитаются штрафы. Это тип динамического программирования, который обеспечивает обучение алгоритмов с использованием этой системы вознаграждений и наказаний. В приведенном выше примере мы видим, что нашему дорогому Дино нужно ориентироваться в лабиринте. За каждый правильный поворот будут начисляться баллы и соответственно вычитаться баллы за движение в неправильном направлении.
Обучение с подкреплением реализуется через сети глубокого обучения, о которых мы поговорим позже.
На этом пока, ребята !!
Надеюсь, вам понравилось.
Команда FACE.
Мы верим в C ‹› de.
