Шуточная версия: что такое машинное обучение?

Шуточная версия: Что такое искусственный интеллект?
Шуточная версия: что такое машинное обучение?
Шуточная версия: что такое глубокое обучение?
Шуточная версия: Что такое нейронная сеть?

этот абзацВидео по основам машинного обученияПоможет понять, что такое машинное обучение, какие бывают виды машинного обучения — контролируемое, неконтролируемое и обучение с подкреплением, как научиться машинному обучению на простых примерах и как использовать машинное обучение в различных отраслях.

Что такое машинное обучение?

Мы знаем, что люди учатся на прошлом опыте, а машины следуют инструкциям людей.

Что, если бы люди могли обучать машины учиться на прошлых данных? Что ж, это называется машинным обучением, но речь идет не только об обучении, но и о понимании и рассуждениях, поэтому сегодня мы изучим основы машинного обучения.

Вставьте объяснение в курс «Классические алгоритмы и приложения машинного обучения для введения в Python 3»:

Как люди учатся? Вводя определенные данные в мозг, после обучения и обобщения для получения знаний и опыта, при наличии схожих задач можно принимать решения или действия на основе имеющегося опыта.

Процесс машинного обучения очень похож на процесс обучения человека. Алгоритм машинного обучения, по сути, должен получить модель, представленную функциейf (x).Если результат, полученный путем ввода выборки x в f (x), является категорией, решение является проблемой классификации. Если результатом является конкретная значение, то решение проблемы регрессии.

Общий механизм машинного обучения и человеческого обучения одинаков. Разница в том, что человеческому мозгу требуется очень мало информации, чтобы обобщить знания или опыт, которые очень применимы. Например, нам нужно увидеть только несколько кошек или несколько А. собака может правильно различать кошек и собак, но для машин нужно много обучающих материалов, а что могут машины, так это интеллект без участия человека.

простой пример

Пол слушает новые песни и решает, нравятся они им или нет, в зависимости от ритма, интенсивности и пола звучания.

Для простоты мы используем только скорость и интенсивность. Итак, здесь скорость отложена по оси абсцисс, от медленной к быстрой, а интенсивность — по оси у, от легкой к тяжелой. Мы видим, что Полу нравятся быстрые и высокие песни, в то время как ему не нравятся медленные и мягкие песни.

Теперь, когда мы знаем выбор Пола, давайте посмотрим, как Пол слушает новую песню, давайте назовем ее Песня А. Песня А быстрая и насыщенная, так что она где-то здесь. Глядя на статистику, можете ли вы угадать, кому понравится эта песня?

Да, Пол любит эту песню.

Просматривая прошлые выборы Пола, мы смогли легко классифицировать неизвестные песни. Теперь предположим, что Пол слушает новую песню, назовем ее Б, песня где-то здесь, в среднем темпе, средней интенсивности, не расслабленная и не быстрая, не легкая и не летящая.

Теперь вы можете догадаться, понравилось это Полу или нет? Не могу предположить, понравится это Полу или нет, другие варианты неясны. Правда, мы можем легко отнести песню А к категории, но когда выбор усложняется, например, песню Б. Машинное обучение может помочь вам решить эту проблему.

Посмотрим, как. В том же примере для песни B, если мы нарисуем круг вокруг песни B, мы увидим, что есть четыре зеленые точки для лайков и одна красная точка для антипатий.

Если мы выберем зеленые точки, которые составляют большинство, мы можем сказать, что Полу определенно понравится песня, и это базовый алгоритм машинного обучения, он называется алгоритмом K-ближайших соседей, и это всего лишь один из многих алгоритмов машинного обучения A небольшой пример.

Но что происходит, когда выбор усложняется? Как и в примере с песней B, когда приходит машинное обучение, оно изучает данные, строит прогностические модели, а когда появляются новые точки данных, оно может легко предсказать их. Чем больше данных, тем лучше модель и выше точность.

Классификация машинного обучения

Существует множество способов машинного обучения, это может быть обучение с учителем, обучение без учителя или обучение с подкреплением.

контролируемое обучение

Давайте сначала быстро разберемся с контролируемым обучением. Предположим, ваш друг дает вам 1 миллион монет в трех разных валютах, скажем, одна в 1 евро и одна в 1 эру, каждая монета имеет разный вес, например, монета в 1 рупию весит 3 грамма, евро весит 7 граммов, а руда весит 4 грамма, и ваша модель будет предсказывать валюту монеты. Здесь вес становится характеристикой монеты, а валюта становится меткой, и когда вы вводите эти данные в модель машинного обучения, она узнает, какая функция связана с каким результатом.

Например, он узнает, что если монета в три грамма, то это будет монета в рупии. Основываясь на весе новой монеты, ваша модель будет прогнозировать валюту. Поэтому контролируемое обучение использует помеченные данные для обучения модели. Здесь машина знает характеристики объекта и метки, связанные с этими характеристиками.

неконтролируемое обучение

На этом этапе давайте посмотрим на разницу с неконтролируемым обучением. Предположим, у вас есть набор данных по крикету с разными игроками. Когда вы загружаете этот набор данных в машину, машина распознает закономерности в производительности игрока, поэтому она обрабатывает эти данные с их соответствующими ахатцами по оси x, а работает по оси y.

При просмотре данных вы ясно увидите, что есть два кластера: один — это игроки, которые набрали больше и меньше очков, а другой кластер — это игроки, которые набрали меньше, но набрали больше очков, поэтому здесь мы помещаем эти два Кластеры интерпретируются как игроки с битой и боулеры.

Важно отметить, что нет ярлыков игроков с битой, боулеров, поэтомуОбучение с неразмеченными данными — это обучение без учителя. Поэтому мы понимаемОбучение с учителем с помеченными данными и обучение без учителя с неразмеченными данными.

обучение с подкреплением

Тогда есть обучение с подкреплением, которое основано на вознаграждении, или мы можем сказатьэто работает по обратной связи.

Предположим, вы предоставляете системе изображение собаки и просите ее распознать ее. Система распознает его как кошку, поэтому вы даете машине отрицательную обратную связь, говоря, что это изображение собаки, и машина учится на обратной связи. Наконец, если он встретит какие-либо другие изображения собак, он сможет правильно классифицировать, это обучение с подкреплением.

Давайте посмотрим на блок-схему, которая питает модель машинного обучения и дает результат на основе примененного алгоритма. Если это правильно, у нас есть вывод в качестве конечного результата, в противном случае мы предоставляем обратную связь модели поезда и просим ее предсказывать, пока она не научится.

Приложения машинного обучения

Иногда вы не знаете, как машинное обучение возможно в наши дни, потому что сегодня у нас есть огромное количество доступных данных, все находятся в сети, либо совершают транзакции, либо просматривают Интернет, каждую минуту генерируется множество данных, данные аналитический Существенный.

Кроме того, вычислительная мощность памяти компьютеров также значительно увеличилась, что помогает им без задержки обрабатывать такой большой объем данных.

Да, компьютеры сейчас обладают огромной вычислительной мощностью, поэтому есть много применений машинного обучения.

Машинное обучение используется в здравоохранении, где врачи могут предсказывать диагнозы, проводить анализ настроений и многое другое.

Еще одно интересное приложение — рекомендации технологических гигантов в социальных сетях. Обнаружение мошенничества с помощью машинного обучения в финансовом секторе и прогнозирование оттока клиентов в секторе электронной коммерции.

Контрольный опрос

Надеюсь, вы уже понимаете, что такое контролируемое и неконтролируемое обучение, поэтому давайте пройдем небольшой тест, чтобы определить, следует ли использовать контролируемое или неконтролируемое обучение для данного сценария.

• Сценарий 1: Facebook идентифицирует ваших друзей из альбома фотографий с тегами.
• Сценарий 2: Netflix рекомендует новые фильмы на основе чьего-то прошлого выбора фильмов.
• Сценарий 3. Анализируйте банковские данные на наличие подозрительных транзакций и отмечайте мошеннические транзакции.

Сценарий 1: Facebook идентифицирует ваших друзей на фотографиях в фотоальбоме с тегами. Объяснение: это контролируемое обучение. Здесь Facebook использует фотографию с тегом для идентификации человека. Таким образом, размеченные фотографии становятся подписями к картинкам, и мы знаем, что когда машина учится на размеченных данных, это контролируемое обучение.

Сценарий 2. Рекомендация новых песен на основе чьих-то музыкальных предпочтений в прошлом. Объяснение: это контролируемое обучение. Модель предназначена для обучения классификатора на уже существующих ярлыках (жанрах песен). Это то, что делают Netflix, Pandora и Spotify: они собирают песни/фильмы, которые вам уже нравятся, оценивают функции на основе ваших предпочтений, а затем рекомендуют новые фильмы/песни на основе аналогичных функций.

Сценарий 3. Анализ банковских данных на наличие подозрительных транзакций и отметка мошеннических транзакций. Объяснение. Это неконтролируемое обучение. При этом подозрительные транзакции не определяются, поэтому отсутствуют ярлыки «мошенничество» и «немошенничество». Модель пытается идентифицировать выбросы, просматривая необычные транзакции и помечая их как «мошенничество».