Шта је машинско учење?
Машинско учење је мало подручје примене вештачке интелигенције у којем машине аутоматски уче из операција и фино се усавршавају како би пружиле боље резултате. На основу прикупљених података, машине теже раде на побољшању рачунарских програма усклађујући се са траженим излазом. Захваљујући овој способности машине да самостално учи, није потребно експлицитно програмирање ових рачунара. Већ је посвуда ушао у наше животе а да ми нисмо знали. Практично свака машина коју користимо и машине напредне технологије којима смо сведоци у последњој деценији укључују уграђено машинско учење ради побољшања квалитета производа. Неки примери машинског учења су аутомобили који возе самостално, напредне веб претраживања, препознавање говора.
Главни циљ људи је да развије алгоритам учења машина на начин који помаже машинама да аутоматски уче без било какве људске интервенције. Учење док зависи од података који се уносе где машине примећују и препознају неке обрасце и трендове. Са сваком новом тачком података, разумевање машине се побољшава и резултат је усклађен и поуздан. Подаци могу бити нумеричке вредности, директна искуства, слике итд. Што такође доприноси начину на који приступамо било којем проблему који смо желели да решимо уз помоћ машинског учења. Такође, постоје различите врсте приступа машинском учењу на основу врсте резултата који вам је потребан.
Разлика између конвенционалног програмирања и машинског учења
Конвенционално програмирање = Логика се програмира + Подаци се уносе + Логика се покреће на подацима + излазу
Машинско учење = Подаци се уносе + Очекивани излаз се уноси + Покрените га на машини за обуку алгоритма од улаза до излаза, укратко, пустите да креира сопствену логику да досегне од улаза до излаза + Тренирани алгоритам који се користи на тестним подацима за предвиђање
Методе машинског учења
Имамо четири главне врсте метода машинског учења засноване на врсти учења коју очекујемо од алгоритама:
1. Надзирано машинско учење
Надзорни алгоритми учења се користе када је излаз класификован или означен. Ови алгоритми уче из прошлих података који се уносе, који се називају подацима обуке, покрећу своју анализу и користе ову анализу за предвиђање будућих догађаја било којих нових података у оквиру познатих класификација. Тачно предвиђање података тестова захтева да велики подаци имају довољно разумевања образаца. Алгоритам се може додатно обучити упоређивањем резултата тренинга са стварним и коришћењем грешака за модификацију алгоритама.
Пример из стварног живота:
- Класификација слике - Алгоритам се црпи из храњења обележеним подацима слике. Алгоритам је обучен и очекује се да га у случају нове слике алгоритам правилно класификује.
- Предвиђање тржишта - Назива се и регресија. Подаци о историјском тржишту пословања шаљу се на рачунар. Са алгоритмом анализе и регресије предвиђа се нова цена за будућност, зависно од променљивих.
Пређимо на следеће главне врсте метода машинског учења.
2. Ненадзоровано машинско учење
Ненадзорани алгоритми учења користе се када нисмо свјесни крајњих резултата и ако нам класификацијски или означени резултати нису на располагању. Ови алгоритми проучавају и генеришу функцију за описивање потпуно скривених и неозначених образаца. Дакле, не постоји исправан излаз, али он проучава податке да у необиљеженим подацима изнесе непознате структуре.
Пример из стварног живота:
- Кластерирање - Подаци са сличним особинама се питају да се групирају по алгоритму, ово групирање се назива кластери. Оне су корисне у проучавању ових група које се више или мање могу применити на целокупне податке унутар кластера.
- Подаци високе димензије - са подацима велике димензије обично није лако радити. Уз помоћ ненадзираног учења, визуализација података високе димензије постаје могућа
- Генеративни модели - Једном када ваш алгоритам анализира и дође до дистрибуције вероватноће уноса, он се може користити за генерисање нових података. Ово се показало врло корисним у случајевима када недостају подаци.
3. Машинско учење ојачања
Ова врста алгоритма машинског учења користи метод покушаја и грешке да би се постигао излаз на основу највеће ефикасности функције. Излаз се упоређује ради проналажења грешака и повратних информација које се враћају систему да би се побољшали или максимализовали његови перформансе. Модел се добија наградама које су у основи повратне информације и казне током његовог обављања одређеног циља.
4. Машинско учење под надзором
Ови алгоритми обично узимају обележене и необележене податке, где је количина необележених података велика у поређењу са обележеним подацима. Како функционише са и између алгоритама учења под надзором и без надзора, зато се назива и полу-надзирано машинско учење. За системе који користе ове моделе се види да имају побољшану тачност учења.
Пример - Архива слика може да садржи само неке податке који су означени, нпр. Пас, мачка, миш и велики део слика остају необележени.
Модели засновани на врсти резултата из алгоритама
Испод су типови модела машинског учења засновани на врсти резултата који очекујемо од алгоритама:
1. Класификација
Постоји подела класа улаза, систем производи модел из података о тренингу где једној од ових класа додељује нове улазе.
То спада под окриље надзираног учења. Пример из стварног живота може бити филтрирање нежељене поште, где су адресе е-поште класификоване као „нежељене поште“ или „нежељене поште“.
2. Регресија
Регресијски алгоритам је такође дио надзираног учења, али разлика је у томе што су резултати континуиране варијабле, а не дискретни.
Пример - предвиђање цена кућа користећи претходне податке
3. Смањење димензија
Ова врста машинског учења повезана је са анализом инпута и сводећи их на само релевантне који ће се користити за развој модела. Избор могућности, тј. Одабир улаза и екстракција карактеристика, додатне су теме које треба размотрити ради бољег разумевања смањења димензија.
На основу горе наведених различитих приступа, могу се узети у обзир различити алгоритми. Неки врло уобичајени алгоритми су линеарна и логистичка регресија, К-најближи суседи, стабла одлука, векторске машине за подршку, Случајна шума итд. Уз помоћ ових алгоритама сложени проблеми са одлучивањем могу имати осећај усмерености на основу огромне количине података . Да би се постигла тачност и могућности, потребни су додатни ресурси и време. Машинско учење које се користи заједно са вештачком интелигенцијом и другим технологијама ефикасније је за обраду информација.
Препоручени чланци
Ово је водич за Врсте машинског учења. Овдје смо разговарали о концепту, различитом методу и различитој врсти алгоритама. Можете и да прођете кроз друге наше Предложене чланке да бисте сазнали више -
- Технике машинског учења
- Шта је дубоко учење
- Шта је машинско учење?
- Увод у машинско учење
- Машинско учење хиперпараметра