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*