«Это 16-й день моего участия в ноябрьском испытании обновлений. Подробную информацию об этом событии см.:Вызов последнего обновления 2021 г."
? Домашняя страница автора:Хай Йонг
? Об авторе: ?Создатель высококачественного полного стека CSDN, ?Член основной команды HDZ
? Преимущества вентилятора:фанатская базаЧетыре книги в неделю и различные небольшие подарки каждый месяц
Термин машинное обучение был придуман в 1959 году Артуром Сэмюэлем, пионером в области компьютерных игр и искусственного интеллекта в Соединенных Штатах, и сказал, что «оно дает компьютерам возможность учиться без явного программирования». В 1997 году Том Митчелл дал математическое и реляционное определение «правильной постановки».
«Говорят, что компьютерная программа учится на опыте E относительно некоторой задачи T и некоторой меры производительности P, если ее производительность по T (измеряемая P) улучшается с опытом E».
Машинное обучение стало модным словом в последние годы. Потому что это одна из самых интересных областей информатики. Так что же на самом деле означает машинное обучение?
Давайте попробуем понять машинное обучение с точки зрения непрофессионала. Подумайте о том, что вы пытаетесь выбросить комок бумаги в мусорное ведро. После первой попытки вы понимаете, что давите слишком сильно. Со второй попытки понимаешь, что приближаешься к цели, но нужно увеличить угол броска. По сути, здесь происходит то, что после каждого броска мы чему-то учимся и улучшаем конечный результат. Мы запрограммированы учиться на собственном опыте.
Это означает, что задачи, с которыми связано машинное обучение, дают фундаментальное операционное определение, а не определяют поле в когнитивных терминах. Это следует за вопросом «Могут ли машины думать?», поставленным Аланом Тьюрингом в его статье «Компьютеры и интеллект». Заменено на «Могут ли машины делать то, что можем делать мы (как мыслящие существа)?»
В области анализа данных машинное обучение используется для разработки сложных моделей и алгоритмов для прогнозирования; в бизнесе это называется прогнозной аналитикой. Эти аналитические модели позволяют исследователям, специалистам по данным, инженерам и аналитикам «вырабатывать надежные, воспроизводимые решения и результаты» и обнаруживать «скрытые идеи», изучая исторические взаимосвязи и тенденции в наборах данных (входных данных).
Допустим, вы решили проверить предложения для этого отпуска. Вы просматриваете сайт туристического агентства и ищете отель. Когда вы ищете конкретный отель, под его описанием есть раздел «Вам также могут понравиться эти отели». Это распространенный вариант использования машинного обучения, называемый «механизм рекомендаций». Опять же, многие точки данных используются для обучения модели прогнозированию лучшего отеля, который будет показан вам в этом разделе, на основе огромного количества информации, которую они уже знают.
Поэтому, если вы хотите, чтобы ваша программа предсказывала, например, схему движения на оживленном перекрестке (задача T), вы можете запустить ее с помощью алгоритма машинного обучения и, используя данные о прошлых схемах движения (опыт E), если она успешно «узнал»», то он будет лучше предсказывать будущие модели трафика (показатель производительности P).
Однако высокая сложность многих реальных задач часто означает, что нецелесообразно, если вообще возможно, изобретать специализированные алгоритмы, которые каждый раз идеально решают их. Примеры вопросов машинного обучения: «Является ли это раком?», «Кто из этих людей является лучшим другом друг друга?», «Понравится ли этому человеку этот фильм?» Такие вопросы являются отличной мишенью для машинного обучения. с большим успехом применяется к таким задачам.
Классификация машинного обучения
Реализации машинного обучения делятся на три широкие категории в зависимости от характера обучающих «сигналов» или «ответов», доступных для обучающей системы, а именно:
контролируемое обучение: он подпадает под категорию обучения с учителем, когда алгоритм учится на примерах данных и связанных с ними целевых ответах, которые могут состоять из числовых или строковых меток, таких как классы или метки, чтобы позже предсказать правильный ответ на новых примерах. подход действительно похож на обучение человека под наблюдением учителя. Учителя дают учащимся хорошие примеры для запоминания, а учащиеся затем выводят общие правила из этих конкретных примеров.
неконтролируемое обучение: в то время как алгоритм учится на общих примерах без каких-либо связанных ответов, пусть алгоритм самостоятельно определяет шаблоны данных. Алгоритмы этого типа имеют тенденцию реструктурировать данные в другие вещи, такие как новые функции, которые могут представлять класс или новую серию несвязанных значений. Они очень полезны для предоставления людям информации о значении данных и новых полезных входных данных для контролируемых алгоритмов машинного обучения.
Как обучение, это похоже на метод, который люди используют, чтобы судить о том, принадлежат ли определенные объекты или события к одному и тому же классу, например, глядя на то, насколько похожи объекты. Некоторые из рекомендательных систем, которые вы найдете в Интернете в форме автоматизации маркетинга, основаны на этом типе обучения.
обучение с подкреплением: когда вы показываете примеры алгоритмов с отсутствующими метками, как при неконтролируемом обучении. Однако вы можете придумать решение на основе алгоритма с примером с положительной или отрицательной обратной связью, относящегося к категории обучения с подкреплением, которое относится к приложениям, где алгоритм должен принимать решения (поэтому продукт является предписывающим, а не просто описательный, как в неконтролируемом обучении), и решения имеют последствия. В этом мире это похоже на обучение методом проб и ошибок.
Ошибки помогают вам учиться, потому что они добавляют штрафы (стоимость, потерянное время, сожаление, боль и т. д.), сообщая вам, что одни действия с меньшей вероятностью увенчаются успехом, чем другие. Интересный пример обучения с подкреплением возникает, когда компьютер сам учится играть в видеоигру.
В этом случае приложение демонстрирует алгоритм на примерах конкретных ситуаций, например, позволяет игроку застрять в лабиринте, уклоняясь от врага. Приложение сообщает алгоритму результаты своих действий, и он учится, пытаясь избежать обнаруженных опасностей и стремясь к выживанию. Вы можете увидеть, как Google DeepMind создал программу обучения с подкреплением, чтобы играть в старые видеоигры Atari. Когда вы смотрите видео, обратите внимание на то, что процедура поначалу неуклюжая и неквалифицированная, но улучшается с тренировками, пока не станет чемпионом.
полуконтролируемое обучение: дает неполный обучающий сигнал: в обучающем наборе отсутствуют некоторые (обычно многие) целевые выходы. Существует частный случай этого принципа, называемый трансдукцией, когда весь набор экземпляров задачи известен во время обучения, но отсутствует только часть цели.
Сортировать по желаемому результату
Другая классификация задач машинного обучения возникает, когда рассматривается желаемый результат системы машинного обучения:
1. Классификация: Когда входные данные разделены на два или более классов, учащийся должен создать модель, которая присваивает невидимые входные данные одному или нескольким из этих классов (классификация с несколькими метками). Обычно это решается под наблюдением. Фильтрация спама — это пример классификации, когда входными данными является электронное (или другое) сообщение, а категории — «спам» и «не спам».
2. Регрессия: Это также контролируемая задача, где выходные данные являются непрерывными, а не дискретными.
3. Кластеризация: Когда набор входов разделен на группы. В отличие от классификации, эти группы не известны заранее, что часто делает эту задачу неконтролируемой. Машинное обучение возникает, когда задачи не могут быть решены типовыми методами.
Обратите внимание на публичный номер [Hai Yong] Ответить [Собери книгу] Розыграй приз
написано в конце
Автор полон решимости создать игру из 100 маленьких игр.Сайт Мою, ход обновления: 40/100
Я давно веду блог о технологиях, в основном через Nuggets, и вот моя статья о машинном обучении с нуля [Раздел 1]. Я люблю делиться технологиями и радостью через статьи. Вы можете посетить мой блог:Талант /user/204034…Чтобы получить больше информации. Надеюсь, вам это понравится! ?
? Все желающие могут оставлять комментарии и предложения в комментариях! ?