Ключевое примечание о машинном обучении и его четырех основных типах для начинающих

Несомненно, большие данные — важная часть будущего технологического развития. Однако машинное обучение (МО) и искусственный интеллект (ИИ) играют важную роль в этом развитии. Кратко поясняется взаимосвязь между этими тремя понятиями:большие данные — для материалов, машинное обучение — для методов, а искусственный интеллект — для результатов.

Что такое машинное обучение?

Машинное обучение (МО) — это один из типов искусственного интеллекта (ИИ), в котором алгоритмы написаны таким образом, что система получает возможность автоматически обучаться, адаптироваться и улучшаться автоматически на основе опыта без явного программирования. .
Алгоритмы машинного обучения строят примерную модель, основанную на типе данных, которые он предназначен для изучения. Этот тип данных называется «данными для обучения».

Виды машинного обучения?

Существуют различные типы алгоритмов машинного обучения, их обычно можно разделить на 4 категории. Различные типы машинного обучения:-

• Обучение под наблюдением.
• Обучение без учителя.
• Обучение с частичным контролем.
• Обучение с подкреплением.
  

Контролируемое обучение 

Когда за машиной наблюдают, пока она находится в стадии «обучения», такой тип обучения называется контролируемым обучением. Что мы на самом деле имеем в виду, когда говорим, что машина находится под надзором? ?. Что на самом деле означает применять алгоритмы таким образом, чтобы позволить машине научиться использовать свои старые данные (данные, предоставленные в прошлом) и использовать их для прогнозирования будущих событий, связанных с типом введенных данных, т. е. старых данных.

Анализ запускается, и все материалы в обучающем наборе данных и помеченные коррелируют с машиной таким образом, что она может прогнозировать правильные выходные значения. Это означает, что мы предоставляем машине много информации о конкретном случае, а затем она предоставляет результат дела. Результат называется помеченными данными, а остальная информация используется в качестве входных признаков. Затем система может также предоставлять цели для новых входных данных после достаточного обучения. Алгоритм может сравнить свои выходные данные с предполагаемыми выходными данными и найти различия, чтобы соответствующим образом изменить модель.

изображение предоставлено Artificialintelligence.oodles.io/

В основном этот метод представляет собой ручную классификацию, которую проще всего выполнить на компьютере и сложнее всего для человека. Примером этого метода является сообщение машине стандартных ответов, и когда машина тестируется, машина всегда будет отвечать в соответствии со стандартным ответом, и, следовательно, ее надежность также будет выше.

Обучение без учителя

В отличие от обучения с учителем, алгоритмы обучения без учителя используются, когда информация, которая используется для обучения машины, не классифицируется и не помечается, как следует из названия, при обучении без учителя компьютер не предлагает никакой помощи со стороны пользователя. это учиться.

Предоставленный материал не имеет этикетки, после чего машина сопоставляет характеристики данных и классифицирует материалы. Из-за отсутствия размеченных обучающих наборов машина выявляет закономерности в данных, которые не столь очевидны для человека.

image Courtesy data-flair.training/

В этом методе нет ручной классификации, которая является самой простой для человека, но самой сложной для компьютера и может привести к гораздо большему количеству ошибок. Система в основном не определяет предполагаемый результат, но исследует предоставленные данные и может выводить отношения из наборов данных для описания скрытых структур из неразмеченных данных. Следовательно, распознавать закономерности в данных без учителя чрезвычайно полезно, а также помогает нам принимать решения.

Обучение под наблюдением

Обучение с частичным учителем отличается от обучения с учителем и обучения без учителя, в котором либо отсутствуют метки для всех наблюдений за данными, либо метки присутствуют.

В полуконтролируемом режиме для обучения используются как помеченные (контролируемые), так и немаркированные (неконтролируемые) данные. SSL представляет собой смесь двух типов обучения, при котором небольшое количество данных помечается, а большое количество данных не помечается. От машины требуется находить функции с помощью размеченных данных, а затем, используя базовую модель, соответствующим образом классифицировать другие данные. Системы SSL могут значительно повысить не только точность обучения, но и сделать более точные прогнозы.

Это наиболее часто используемый метод, поскольку стоимость маркировки высока, поскольку требуются квалифицированные специалисты. Для его обучения и извлечения уроков требуются соответствующие ресурсы, в то время как получение немаркированных данных обычно не требует дополнительных ресурсов. Из-за отсутствия меток в большинстве наблюдений, но наличия нескольких алгоритмов с полууправлением предпочтение отдается лучшим кандидатам для построения модели.

Эти методы выигрывают от идеи, что даже если члены группы неизвестны, поскольку немаркированные данные используются в более общем плане, информация о параметрах по-прежнему содержится в помеченных и может быть найдена с их помощью.

Обучение с подкреплением

Обучение с подкреплением наиболее близко к тому, как учатся мы, люди. Алгоритмы RML — это метод обучения, при котором машина неоднократно взаимодействует со своей средой, создавая новые действия и обнаруживая ошибки или вознаграждения. Он использует положительную или отрицательную систему вознаграждения.

Поиск методом проб и ошибок с отложенным вознаграждением – наиболее важные характеристики обучения с подкреплением. Машина конструирует поведение, используя наблюдения, полученные при взаимодействии с окружающей средой, и предпринимает действия, которые максимизируют вознаграждение или минимизируют риск. Этот метод позволяет машинам автоматически определять идеальное поведение в определенном контексте, чтобы повысить его производительность. В обучении с подкреплением нет помеченных материалов, вместо этого требуется простая обратная связь о том, какой шаг правильный, а какой неправильный, это называется сигналом подкрепления.

В соответствии со стандартом обратной связи машина постепенно пересматривает свою классификацию, пока, наконец, не получит правильный результат. Интеграция обучения с подкреплением необходима для достижения определенного уровня точности обучения без учителя, 

Возможно, сложнее всего производить и применять RML в бизнес-среде, но он широко используется для беспилотных автомобилей.