Многие люди думают, что ML - очень интересное слово, и на самом деле это очень интересная область. люди думают, что это очень сложная область обучения, которая включает в себя огромное количество программирования и математики.
Без этого мы не сможем начать работу с машинным обучением. но в этой статье я с самого начала расскажу о машинном обучении.
Термин «машинное обучение» был придуман Артуром Самуэлем в 1959 году. На самом деле это очень старый термин, но в наши дни он растет все быстрее и быстрее из-за множества приложений. все хотят заниматься машинным обучением. Машинное обучение обычно относится к сфере искусственного интеллекта. ИИ - это очень обширная область, которая снова является частью науки о данных.
Что такое ML?
Вы когда-нибудь видели какого-нибудь маленького ребенка, как он исследует окружающий мир, как он пытается узнать новое. вначале они сталкиваются с трудностями, но постепенно они становятся лучше с опытом. То же самое происходит и с ML.
Считайте ML маленьким ребенком. Нам нужно было научить этого ребенка многому в форме программирования. есть концепция модели, которую мы чаще всего используем в машинном обучении. Эта модель - не что иное, как программа.
В ML доступны различные типы моделей. мы увидим это в нашей следующей статье.
Короче говоря, машинное обучение означает технологию, в которой машина учится на своем прошлом опыте. В основном он используется для целей прогнозирования. Для прогнозирования выходных или неизвестных значений используется ML.
Разница между традиционным программированием и машинным обучением
Традиционное программирование:
В этом виде программирования мы даем ввод и некоторые правила для программирования, и он дает нам вывод.
Модель машинного обучения:
Таким образом, мы предоставляем машине как ввод, так и вывод, а машина предоставляет нам правила.
Типы ML:
- Машинное обучение с учителем
В этом типе машинного обучения мы передаем машине как ввод, так и вывод. рассматривайте этот алгоритм как учителя или супервизора, которые учат студентов всему шаг за шагом.
Входные данные также называются помеченными данными, а выходные - немаркированными данными.
Существует две категории контролируемого обучения
а) Регрессия
б) Классификация
мы увидим это подробно в наших следующих статьях
рассмотрим этот пример: Классификация Железного человека и Капитана Америки
Если вам нужно провести классификацию между этими двумя, тогда вам нужно указать черты, которые различают Железного человека и Капитана Америку, и вы должны предоставить результат, который является Железным человеком и который является капитаном Америка.
Характеристики подобны свойству любого объекта, которое придает этому объекту уникальность.
В приведенном выше примере мы также используем функции, рассмотрите следующие особенности для указанного выше случая Цвет костюма, тип оружия, которое они используют, тип действия, тип лица
В этом случае наряду с функциями, которые мы предоставляем, также вывод, поэтому он известен как контролируемое обучение
Для всех случаев в ML мы будем использовать Dataset.
2. Машинное обучение без учителя:
В этом типе машинного обучения мы просто предоставляем вход для машины. В этом случае для машины нет учителя, машина должна сама найти выход. здесь не используются никакие помеченные данные.
Есть две категории неконтролируемого машинного обучения
а) Кластеризация
б) Связь
Мы увидим это в потом
Рассмотрим другой пример: кластеризация пауков и летучих мышей
Кластеризация означает группирование объектов одной категории. В приведенном выше примере нам нужно отдельно сгруппировать пауков и летучих мышей правосудия. Модель пытается найти закономерность среди объектов, и в соответствии с этим они образуют кластер. всякий раз, когда появляется новый объект, эта модель будет пытаться найти закономерность между ними и в соответствии с этой моделью отправит этот объект в определенную группу кластера.
3. Обучение с подкреплением:
В этом типе машинного обучения используются агенты. здесь нет никакого супервизора. мы не предоставляем никаких входных и выходных данных для машины. Он полностью основан на концепции Action-Reward.
Спасибо за прочтение..!
Следите за обновлениями для следующей статьи ..
