Основы машинного обучения (проще)

На чем основано машинное обучение?

Функционирование машинного обучения или искусственного интеллекта основано на математике, особенно на статистике и вероятности.

Алгоритмы машинного обучения используют в качестве основы различные математические теоремы, например. регрессия, наивная байесовская вероятность, трехмерная векторная геометрия.

Основные термины, используемые в машинном обучении

• Набор данных. Набор данных является основой для модели машинного обучения, на которой будет проводиться обучение и тестирование. Его можно рассматривать как банк вопросов с ответами или без них.
• Модель. Модель машинного обучения — это экземпляр или «реальная реализация» определенного метода или алгоритма. Его необходимо обучить (и протестировать), чтобы он давал результаты.
• Обучение и тестирование. Модель машинного обучения необходимо обучить на наборе данных, а затем протестировать, чтобы проверить ее точность и производительность.
• Данные обучения/Данные тестирования: Модель ML обучается на данных обучения, а затем тестируется и оценивается на основе данных тестирования. Оба обычно получаются путем деления исходного набора данных.
• Точность. Точность модели обычно равна проценту ее точных прогнозов от общего числа прогнозов.

Каковы основные типы машинного обучения?

контролируемое машинное обучение

При контролируемом машинном обучении модели обучаются и тестируются с использованием правильно определенных и помеченных обучающих данных и предоставляют выходные данные в указанном формате.

Например, в тесте MCQ учащемуся задаются вопросы в виде утверждений или выражений, а ответы он дает в виде вариантов (a,b,c,d).

Аналогично, при контролируемом обучении модель обучается на четко определенных данных с соответствующими метками и значениями и выдает выходные данные в определенном формате.

Машинное обучение без учителя

Машинное обучение без учителя немного сложнее.

Предположим, я даю вам кучу документов, квитанции об оплате и табели успеваемости и прошу вас разобраться в них.

Естественно, вы увидите, есть ли какие-либо из них, принадлежащие одному и тому же ученику или ученикам одного класса или напечатанные в одну и ту же календарную дату.

По сути, вы попытаетесь найти какие-либо связи или закономерности между документами.

Машинное обучение без учителя работает аналогичным образом. Он идентифицирует отношения/шаблоны внутри непомеченных данных и использует их для классификации данных в отдельные кластеры или получения какой-либо ассоциации.

Обучение с подкреплением

Обучение с подкреплением имитирует человеческое поведение, например, модели разрешено работать (предоставлять решения/результаты) в среде (наборе данных).

Действия модели, которые приводят к желаемым результатам, поощряются и оцениваются положительно, тогда как действия, которые приводят к нежелательным результатам, не поощряются и оцениваются отрицательно.

В результате модель учится на своих ошибках и тяготеет к действиям/расчетам, которые наиболее желательны.

Популярные отрасли машинного обучения

• Глубокое обучение. Глубокое обучение имитирует работу человеческого мозга, используя нейронные сети для обработки и прогнозирования большого количества данных. Это мощная концепция, которая используется во многих областях.

• Обработка естественного языка: используется для идентификации и эффективной обработки человеческого языка (текста, аудио и т. д.), а также проведения вычислений или принятия решений на его основе, применения анализа текста, фильтрации, анализа настроений и т. д.

• Компьютерное зрение. Использует возможности компьютера обрабатывать и анализировать изображения или видео для извлечения значимой информации и использования ее для принятия решений, применяя распознавание объектов,