Добро пожаловать в мир машинного обучения, где мы отправляемся в путешествие, посвященное «Раскройте возможности машинного обучения: комплексное руководство по обучению с учителем и без учителя». которые стимулируют инновации и интеллект в современном цифровом мире.

Мы все используем приложения машинного обучения в повседневной жизни. Ниже приведены примеры реальных приложений машинного обучения.

Поисковая система Google, отмечайте людей в социальных сетях, системы рекомендаций, генераторы голоса в текст и такие помощники, как Siri и Alexa.

В изменении климата. Приложения машинного обучения применяются к ветряным турбинам для выработки электроэнергии.

В здравоохранении. Машинное обучение помогает врачам ставить точные диагнозы.

На заводах. Компьютерное зрение используется для проверки любых дефектов при производстве и сборке продукта.

Это несколько примеров машинного обучения, и было бы интереснее, если бы вы изучили их глубже, а пока мы перейдем к тому, что такое машинное обучение.

Итак, что такое МАШИННОЕ ОБУЧЕНИЕ?

«Область исследования, которая дает компьютерам возможность учиться без явного программирования». Артур Сэмюэл

Прежде чем понять определение, нам нужно знать о традиционном программировании: где мы учим машины, как и что делать.

Пример: Если вы хотите разработать калькулятор, вы программируете компьютер, записывая код и вводя данные, и в ответ машина понимает ваш код после компиляции и вводит соответствующие данные.

Проще говоря, в традиционном программировании мы знаем входные данные и функцию, а машина выдает выходные данные, понимая функцию.

Таким образом, мы должны быть явно запрограммированы для получения вывода.

В машинном обучении мы не программируем компьютер явно для вывода, но машина учится сама с помощью алгоритма на основе опыта.

В машинном обучении мы предоставляем алгоритму входные данные и соответствующие выходные данные, в то время как базовая функция, которая соединяет входные данные с выходными, остается неизвестной ни людям, ни машине. Благодаря применению алгоритмов и анализу пар данных ввода-вывода машина самостоятельно учится выявлять и усваивать закономерности и связи внутри данных.

Этот процесс самообучения позволяет ему выработать собственное понимание скрытых закономерностей. Когда мы вводим новые данные в машину, она опирается на свой накопленный опыт для выдачи результатов, используя выявленные закономерности.

По сути, на точность и эффективность этого процесса сильно влияют качество и актуальность обучающих данных, а также выбор подходящих алгоритмов. Чем точнее и репрезентативнее данные обучения и чем более подходящим является выбор алгоритма, тем более точными и надежными становятся прогнозы или решения машины.

Существует два основных типа машинного обучения.

1- обучение с учителем, 2- обучение без учителя.

ОБУЧЕНИЕ ПОД КОНТРОЛЕМ

При обучении с учителем мы предоставляем машине ввод x и вывод y, а машина сама строит модель/шаблон с помощью алгоритмов. Затем, наконец, мы предоставляем новый ввод x и проверяем, дает ли он правильный вывод или нет.

На рис. 1.1 показано несколько примеров приложений ML. Давайте посмотрим на первый, где мы создаем лист Excel, где мы вводим x как электронные письма и выводим y, помеченный как электронное письмо, является ли оно спамом или нет. Теперь машина учится на основе этого ввода и вывода: когда вы вводите новое электронное письмо для проверки, машина выдает вам результат, является ли это спамом или нет. Это то, что мы называем фильтрацией спама.

В контролируемом обучении есть два алгоритма.

1- Регрессия, 2-Классификация

Регрессия:

Регрессия означает предсказание числа из бесконечного числа возможных чисел. например, прогноз цен на жилье или прогноз цен на ноутбуки.

Классификация:

Классификация предсказывает небольшой конечный ограниченный набор возможных выходных категорий, таких как 0,1 и 2. Но не все возможные числа, такие как регрессия между 0,5 и 1,7.

При классификации он может предсказывать категории, а не числовые значения.

пример:

› Предсказать изображение: кошка или собака?

› Диагностика опухоли: доброкачественная или злокачественная?

ОБУЧЕНИЕ БЕЗ КОНТРОЛЯ

При обучении с учителем мы предоставляем как ввод, так и вывод, но при обучении без учителя дело обстоит иначе. мы предоставляем только входные данные X, но не выходные метки Y. Алгоритм поиска структуры в данных.

Давайте разберемся на примере: предположим, что нам нужно построить предиктор рака молочной железы, поэтому мы вводим X как возраст и размер опухоли, и с помощью этих входных данных X машина разрабатывает шаблон для вывода Y.

В обучении без учителя есть три алгоритма.

1- Кластеризация, 2- Обнаружение аномалий, 3- Уменьшение размерности.

Кластеризация:

Берет данные без меток (выходные данные) и пытается сгруппировать похожие точки данных.

Этот алгоритм используется во многих приложениях, таких как система рекомендаций Netflix, Amazon и Google News. Они кластеризуют/группируют похожие данные на основе предыдущих входных данных пользователя и отображают выходные данные в качестве рекомендации.

Обнаружение аномалий:

Найдите необычные точки данных. для обнаружения мошенничества в финансовой системе, где необычные события и необычные транзакции могут быть признаками мошенничества, а также для многих других приложений.

Например: если компания использует обнаружение аномалий для отслеживания транзакций клиента и внезапно клиент совершает необычно большую покупку в новом месте, то функция обнаружения аномалий распознает и уведомит компанию.

Уменьшение размерности:

Количество входных объектов, переменных или столбцов, присутствующих в данном наборе данных, называется размерностью, а процесс уменьшения этих функций называется уменьшением размерности.

преобразование наборов данных более высокого размера в наборы данных меньшего размера, гарантируя, что они предоставляют аналогичную информацию.

примерами являются распознавание речи, обнаружение шума и обработка сигналов.

— Это все, ребята

*Счастливого обучения*