Типы машинного обучения: 3 типа машинного обучения, которые вы должны знать

Опубликовано: 2019-11-14

Когда вы начинаете изучать ИИ, вы часто сталкиваетесь с термином — машинное обучение. Что это такое? Виды машинного обучения, если они есть?

В этой статье мы будем решать эти самые вопросы.

Давайте начнем.

Оглавление

Что такое машинное обучение?

Вы когда-нибудь задумывались, как Facebook рекомендует вас друзьям?

Или как Amazon рекомендует покупать ваши продукты?

Все они используют алгоритмы машинного обучения.

Машинное обучение относится к области исследования, которая позволяет машинам повышать свою производительность без необходимости программирования.

Благодаря машинному обучению ваше программное обеспечение и боты всегда могут учиться новому и давать лучшие результаты.

Эти машины требуют много программирования в начале. Но как только они начинают процесс, они начинают сами изучать различные аспекты задачи. Поскольку машинное обучение может помочь многим отраслям, перспективы машинного обучения в будущем очевидны.

Машинное обучение является важной ветвью ИИ и находит применение во многих секторах, в том числе:

  • Электронная коммерция
  • Здравоохранение ( Читать : Машинное обучение в здравоохранении )
  • Социальные сети
  • Финансы
  • Автомобильный

И многое другое.

Как работает машинное обучение?

В машинном обучении вы вводите некоторые обучающие данные, которые обучают компьютер. Он использует данные для создания модели, а по мере поступления новых данных использует их для прогнозирования.

Если прогноз оказывается неверным, компьютер перезапускает процесс снова, пока не сделает правильный прогноз.

Как вы, должно быть, заметили, система учится всякий раз, когда делает прогноз. Это был просто простой пример.

Алгоритмы машинного обучения довольно сложны и требуют многих других шагов. Различные инструменты машинного обучения позволяют вам исследовать глубины областей науки о данных, экспериментировать с ними и внедрять инновационные полнофункциональные решения AI/ML. Разные инструменты предназначены для разных нужд. Таким образом, выбор инструментов машинного обучения будет во многом зависеть от проекта, ожидаемого результата и, иногда, от вашего уровня знаний.

Различные типы машинного обучения

Вот следующие виды машинного обучения:

Контролируемое обучение

Обучение с учителем — это когда вы предоставляете машине множество обучающих данных для выполнения конкретной задачи.

Например, чтобы научить ребенка красному цвету, вы должны показать ему кучу красных вещей, таких как яблоко, красный мяч, верно?

После показа кучи красных вещей вы должны показать ему красную вещь и спросить его, какого она цвета, чтобы узнать, выучил ли ребенок это или нет.

При контролируемом обучении вы аналогичным образом обучаете машину.

Это самый доступный для реализации тип машинного обучения, а также самый распространенный.

В тренировочных данных вы скормите машине множество подобных примеров, и компьютер предскажет ответ. Затем вы должны были сообщить компьютеру, сделал ли он правильный прогноз или нет.

Пример контролируемого обучения

Вы предоставляете машину со следующей информацией:

2,7 = 9

5,6 = 11

9,10 = 19

Теперь вы задаете машине следующие вопросы:

9,1 = ?

8,9 = ?

20,4 = ?

В зависимости от ответов машины вы давали ей больше обучающих данных или ставили более сложные задачи.

Обучение с учителем зависит от конкретной задачи, и поэтому оно довольно распространено.

Неконтролируемое обучение

Как следует из названия, обучение без учителя является противоположностью обучению с учителем. В этом случае вы не предоставляете машине никаких обучающих данных.

Машина должна делать выводы без каких-либо помеченных данных. Это немного сложнее реализовать, чем контролируемое обучение.

Он используется для кластеризации данных и поиска аномалий.

Следуя примеру, который мы обсуждали выше, предположим, что вы не показывали ребенку в начале разные предметы красного цвета.

Вместо этого вы положили перед ним кучу красных и зеленых вещей и попросили его разделить их.

Неконтролируемое обучение похоже на этот пример.

Пример обучения без учителя

Предположим, у вас есть разные новостные статьи, и вы хотите отсортировать их по разным категориям. Вы отдадите статьи машине, и она обнаружит между ними общие черты.

Затем он разделит статьи на разные категории в соответствии с найденными данными.

Теперь, когда вы даете машине новую статью, она автоматически классифицирует ее.

Как и другие типы машинного обучения, он также довольно популярен, поскольку основан на данных.

Обучение с подкреплением

Обучение с подкреплением сильно отличается от других типов машинного обучения (с учителем и без учителя).

Отношение между данными и машиной также сильно отличается от других типов машинного обучения.

При обучении с подкреплением машина учится на своих ошибках. Вы даете машине определенную среду, в которой она может выполнять заданный набор действий. Теперь он будет учиться методом проб и ошибок.

В примере, который мы обсуждали выше, предположим, вы показываете ребенку яблоко и банан, а затем спрашиваете его, какой из них красный.

Если ребенок отвечает правильно, вы даете ему конфету (или шоколадку), а если ребенок дает неправильный ответ, вы не даете ему того же.

При обучении с подкреплением машина учится аналогичным образом.

Пример обучения с подкреплением

Вы даете машине пройти лабиринт. Машина будет пытаться расшифровать лабиринт и делать ошибки. Всякий раз, когда ему не удается решить лабиринт, он пытается снова. И с каждой ошибкой машина узнает, чего следует избегать.

Повторяя это действие, машина будет продолжать узнавать больше информации о лабиринте. Используя эту информацию, через какое-то время он также решит лабиринт.

Хотя обучение с подкреплением довольно сложно реализовать, оно находит применение во многих отраслях.

Применение различных типов машинного обучения

Теперь вы знаете, что существует три типа машинного обучения, но где они используются? Ну и следующие моменты проясняют то же самое:

Контролируемое обучение

  • Распознавание лиц — распознавание лиц на изображениях (Facebook и Google Photos).
  • Спам-фильтр — идентифицируйте спам-письма, проверяя их содержимое.

Неконтролируемое обучение

  • Системы рекомендаций — рекомендуют товары покупателям (например, Amazon)
  • Категоризация данных — классифицируйте данные для лучшей организации
  • Сегментация клиентов — классифицируйте клиентов по разным категориям в соответствии с разными качествами.

Обучение с подкреплением

  • Обрабатывающая промышленность – оптимизация автоматизированного производственного процесса
  • Робототехника – научите машины, как избежать ошибок
  • Видеоигры — улучшенный ИИ для персонажей видеоигр и неигровых персонажей.

Хотите использовать машинное обучение?

Машинное обучение — одна из самых влиятельных технологий в мире. Это большая причина, почему он так популярен в наши дни.

Многие отрасли используют машинное обучение для разных целей, поэтому спрос растет день ото дня. Если вы хотите узнать больше о карьере в области машинного обучения и искусственного интеллекта, ознакомьтесь с IIIT-B и дипломом PG upGrad по программе машинного обучения и искусственного интеллекта.

Каковы приложения контролируемого обучения?

Когда мы хотим сопоставить метки ввода с метками вывода или когда мы хотим сопоставить ввод с непрерывным выводом, часто используется обучение с учителем. Проще говоря, когда задача включает в себя классификацию, используется обучение с учителем. Алгоритмы обучения с учителем имеют несколько приложений, таких как обнаружение лиц на изображениях или видео, классификация текста по различным классам, распознавание подписей и т. д. Поскольку обучение с учителем используется для прогнозирования ценности входных данных, такие задачи, как прогнозирование цен на жилье, прогнозирование продаж урожая , прогнозирование погоды и предсказание цен на акции — вот некоторые из его других приложений.

Чем обучение с учителем отличается от обучения без учителя?

Обучение с учителем — это метод машинного обучения, который включает в себя обучающие модели с помеченными данными. Для обучения модели обучение с учителем требует наблюдения, аналогично тому, как ученик учится в присутствии учителя. С другой стороны, неконтролируемое обучение — это метод машинного обучения, который использует немаркированные входные данные для вывода шаблонов. Неконтролируемое обучение направлено на извлечение структуры и шаблонов из неструктурированных данных. В неконтролируемом обучении нет необходимости в мониторинге. Цель обучения с учителем — научить модель прогнозировать результат при предоставлении новых данных. Неконтролируемое обучение направлено на выявление скрытых закономерностей и осмысленной информации из неизвестного набора данных.

Каковы преимущества обучения с подкреплением?

Обучение с подкреплением можно использовать для решения чрезвычайно сложных задач, которые невозможно решить традиционными методами. Этот подход предпочтителен для достижения труднодостижимых долгосрочных результатов. Эта парадигма обучения удивительно сравнима с человеческим обучением. В результате он находится на грани достижения совершенства. Модель имеет возможность исправлять ошибки, допущенные на этапе обучения. После того, как модель исправила ошибку, вероятность повторения такой же ошибки довольно низка. Он может разработать идеальную модель для решения конкретной проблемы. Он обеспечивает разумный баланс между разведкой и эксплуатацией.