ВВЕДЕНИЕ
Привет! Меня зовут Усман Хатри, и добро пожаловать в мой ежедневный блог о моем обучении машинному обучению!
Сегодня я посмотрел самую первую лекцию курса машинного обучения, предложенного Стэнфордским университетом (CS229), который настоятельно рекомендуется для начала обучения машинному обучению. Давайте обсудим, чему я научился сегодня и как вы можете начать собственное обучение.
ПРИМЕЧАНИЯ И РЕСУРСЫ
Я наткнулся на удивительный лист Google Docs, который охватывает почти все, что связано с курсом CS229 (кроме заданий и их решений).
Вы можете получить к нему доступ здесь.
Я предлагаю просмотреть вводные конспекты лекций после просмотра Лекции 1 из курса CS229. Выполните эти задачи на сегодня, и все будет готово. После этого вы можете кратко повторить сегодняшние темы. Для подробного изучения обратитесь к предоставленным ресурсам.
Теперь давайте кратко обсудим темы, затронутые сегодня (для более глубокого изучения, пожалуйста, обратитесь к ресурсам).
ЧТО ТАКОЕ МАШИННОЕ ОБУЧЕНИЕ?
Теперь, когда мы рассмотрели предварительные условия (блог первого дня — посмотрите его здесь), мы можем углубиться в определение машинного обучения. Это область исследования, которая позволяет компьютерам учиться без явного программирования. Существует несколько инструментов/методов использования машинного обучения в проектах/моделях, в том числе:
- Обучение под наблюдением.
- Неконтролируемое обучение.
- Обучение с подкреплением.
ОБУЧЕНИЕ С КОНТРОЛЕМ
При обучении с учителем алгоритму предоставляются известные входные данные (формально обучающие данные) и соответствующие выходные данные. Например, рассмотрите возможность наличия 10 входных данных, представляющих размеры домов (в квадратных футах) и соответствующие им цены. Цель состоит в том, чтобы предсказать цену (цены) неизвестных входных данных (точнее, тестовых данных).
Одним из распространенных алгоритмов является линейная регрессия, в которой мы пытаемся сопоставить входные данные с выходными с помощью прямой линии, обеспечивая аппроксимацию для неизвестных. входы. Кроме того, в следующих лекциях мы рассмотрим многофункциональные входы.
ОБУЧЕНИЕ БЕЗ КОНТРОЛЯ
Неконтролируемое обучение включает сценарии, в которых нет известных входных данных. Например, «Проблема вечеринки с коктейлем» иллюстрирует эту концепцию.
Представьте, что вы находитесь на вечеринке, где несколько человек разговаривают одновременно, и у вас есть запись этого. Задача состоит в том, чтобы классифицировать голос каждого человека и предсказать, что он говорит. В этом случае нам заранее не хватает информации о голосе каждого человека; у нас есть только звук, и мы стремимся различать голоса. Это отличает обучение без учителя от обучения с учителем. Мы рассмотрим более подробные примеры и концепции в следующих лекциях.
ПОДДЕРЖИВАЮЩЕЕ ОБУЧЕНИЕ
Обучение с подкреплением можно сравнить с обучением собаки определенным действиям. Процесс включает в себя поощрение собаки «Хорошая работа», когда она выполняет желаемое действие, и «Плохая работа», когда она делает что-то нежелательное. Через множество итераций положительного и отрицательного подкрепления мы обучаем наши модели обучению определенному поведению.
ВЫВОД
На этом наше обучение на сегодня заканчивается. Увидимся завтра, и если у вас есть какие-либо сомнения, не стесняйтесь спрашивать. Я здесь, чтобы помочь! Счастливого обучения, ребята!
