Mašininis mokymasis yra AI pogrupis, leidžiantis mašinai automatiškai mokytis iš duomenų, pagerinti ankstesnės patirties našumą ir numatyti prognozes. . Mašinų mokymasis apima algoritmų rinkinį, kuris veikia su didžiuliu duomenų kiekiu. Duomenys pateikiami šiems algoritmams, kad jie būtų mokomi, o mokymo pagrindu jie sukuria modelį ir atlieka konkrečią užduotį.

Šie ML algoritmai padeda išspręsti įvairias verslo problemas, tokias kaip regresija, klasifikavimas, prognozavimas, grupavimas, asociacijos ir kt.

Remiantis mokymosi metodais ir būdu, mašininis mokymasis daugiausia skirstomas į keturis tipus, kurie yra:

1. Prižiūrimas mašininis mokymasis
2. Neprižiūrimas mašininis mokymasis
3. Pusiau prižiūrimas mašininis mokymasis
4. Sustiprinimo mokymasis

Šioje temoje pateiksime išsamų mašininio mokymosi tipų aprašymą ir atitinkamus jų algoritmus:

1. Prižiūrimas mašininis mokymasis

Kaip rodo jo pavadinimas, Prižiūrimas mašininis mokymasis yra pagrįsta priežiūra. Tai reiškia, kad taikant prižiūrimą mokymosi techniką, mašinas apmokome naudodami „pažymėtą“ duomenų rinkinį ir, remdamiesi mokymu, mašina numato išvestį. Čia pažymėti duomenys nurodo, kad kai kurios įvestys jau susietos su išvestimi. Dar brangiau, galime pasakyti; pirmiausia apmokome mašiną su įvestimi ir atitinkama išvestimi, o tada paprašome mašinos numatyti išvestį naudojant bandymo duomenų rinkinį.

Supraskime prižiūrimą mokymąsi pavyzdžiu. Tarkime, kad turime kačių ir šunų vaizdų įvesties duomenų rinkinį. Taigi, pirmiausia, mes išmokysime mašiną suprasti vaizdus, ​​​​pvz., katės ir šuns uodegos forma ir dydis, akių forma, spalva, ūgis (šunys aukštesni, katės mažesnės) ir kt. Baigę mokymą, įvedame katės paveikslėlį ir paprašome mašinos identifikuoti objektą ir numatyti rezultatą. Dabar mašina yra gerai išmokyta, todėl patikrins visas objekto savybes, tokias kaip aukštis, forma, spalva, akys, ausys, uodega ir kt., ir nustatys, kad tai katė. Taigi, jis bus įtrauktas į kačių kategoriją. Tai procesas, kaip mašina identifikuoja objektus prižiūrint mokymuisi.

Pagrindinis prižiūrimo mokymosi technikos tikslas yra susieti įvesties kintamąjį (x) su išvesties kintamuoju (y). Kai kurios realaus pasaulio prižiūrimo mokymosi programos yra Rizikos vertinimas, sukčiavimo aptikimas, šlamšto filtravimas, ir tt

Prižiūrimo mašininio mokymosi kategorijos

Prižiūrimas mašininis mokymasis gali būti suskirstytas į dviejų tipų problemas, kurios pateikiamos toliau:

klasifikacija Regresija

a) Klasifikacija

Klasifikavimo algoritmai naudojami klasifikavimo problemoms spręsti, kai išvesties kintamasis yra kategoriškas, pvz. Taip arba Ne, Vyras arba Moteris, Raudona arba Mėlyna ir kt . Klasifikavimo algoritmai numato duomenų rinkinyje esančias kategorijas. Kai kurie realaus pasaulio klasifikavimo algoritmų pavyzdžiai yra Šlamšto aptikimas, el. pašto filtravimas ir kt.

Toliau pateikiami kai kurie populiarūs klasifikavimo algoritmai:

Atsitiktinis miško algoritmas Sprendimų medžio algoritmas Logistinės regresijos algoritmas Palaikykite vektorinės mašinos algoritmą

b) Regresija

Regresijos algoritmai naudojami regresijos problemoms spręsti, kai tarp įvesties ir išvesties kintamųjų yra tiesinis ryšys. Jie naudojami nuspėti nuolatinius produkcijos kintamuosius, tokius kaip rinkos tendencijos, orų prognozės ir kt.

java įterpimo rūšiavimas

Žemiau pateikiami kai kurie populiarūs regresijos algoritmai:

Paprastas tiesinės regresijos algoritmas Daugiamatis regresijos algoritmas Sprendimų medžio algoritmas Lasso regresija

Prižiūrimo mokymosi privalumai ir trūkumai

Privalumai:

• Kadangi prižiūrimas mokymasis dirba su pažymėtu duomenų rinkiniu, todėl galime turėti tikslią idėją apie objektų klases.
• Šie algoritmai padeda numatyti išvestį remiantis ankstesne patirtimi.

Trūkumai:

• Šie algoritmai negali išspręsti sudėtingų užduočių.
• Jis gali numatyti neteisingą išvestį, jei bandymo duomenys skiriasi nuo mokymo duomenų.
• Norint išmokyti algoritmą, reikia daug skaičiavimo laiko.

Prižiūrėto mokymosi programos

Toliau pateikiamos kai kurios bendros prižiūrimo mokymosi programos:

bash nuo 1 iki 10

Vaizdo segmentavimas:
Prižiūrimo mokymosi algoritmai naudojami vaizdų segmentavimui. Šiame procese vaizdų klasifikavimas atliekamas naudojant skirtingus vaizdo duomenis su iš anksto nustatytomis etiketėmis.Medicininė diagnozė:
Prižiūrimi algoritmai taip pat naudojami medicinos srityje diagnostikos tikslais. Tai atliekama naudojant medicininius vaizdus ir ankstesnius pažymėtus duomenis su ligos būklių etiketėmis. Naudodamas tokį procesą, aparatas gali nustatyti ligą naujiems pacientams.Sukčiavimo aptikimas –Prižiūrimo mokymosi klasifikavimo algoritmai naudojami sukčiavimo operacijoms, apgaulingiems klientams ir tt identifikuoti. Tai atliekama naudojant istorinius duomenis, siekiant nustatyti modelius, kurie gali sukelti galimą sukčiavimą.Šlamšto aptikimas –Atliekant šiukšlių aptikimą ir filtravimą, naudojami klasifikavimo algoritmai. Šie algoritmai priskiria el. paštą ar ne šlamštą. Pašto el. laiškai siunčiami į šiukšlių aplanką.Kalbos atpažinimas -Prižiūrimi mokymosi algoritmai taip pat naudojami kalbos atpažinimui. Algoritmas mokomas naudojant balso duomenis, o naudojant tą patį galima atlikti įvairius atpažinimus, pvz., balsu įjungiamus slaptažodžius, balso komandas ir pan.

2. Neprižiūrimas mašininis mokymasis

Mokymasis be priežiūros g skiriasi nuo prižiūrimo mokymosi technikos; kaip rodo pavadinimas, nereikia priežiūros. Tai reiškia, kad naudojant neprižiūrimą mašininį mokymąsi, mašina apmokoma naudojant nepažymėtą duomenų rinkinį, o mašina numato išvestį be jokios priežiūros.

Neprižiūrimo mokymosi metu modeliai mokomi naudojant duomenis, kurie nėra nei klasifikuojami, nei pažymėti, o modelis veikia pagal tuos duomenis be jokios priežiūros.

Pagrindinis neprižiūrimo mokymosi algoritmo tikslas yra sugrupuoti arba sugrupuoti nerūšiuotą duomenų rinkinį pagal panašumus, modelius ir skirtumus. Įrenginiams nurodoma rasti paslėptus šablonus iš įvesties duomenų rinkinio.

Paimkime pavyzdį, kad tai geriau suprastume; Tarkime, kad yra vaisių vaizdų krepšelis, ir mes įvedame jį į mašininio mokymosi modelį. Vaizdai modeliui visiškai nežinomi, o mašinos užduotis yra rasti objektų modelius ir kategorijas.

Taigi, dabar aparatas atras savo modelius ir skirtumus, pvz., spalvų skirtumus, formos skirtumus ir numatys išvestį, kai bus išbandytas su bandymo duomenų rinkiniu.

Neprižiūrimo mašininio mokymosi kategorijos

Mokymasis be priežiūros gali būti toliau skirstomas į du tipus, kurie pateikiami toliau:

Klasterizavimas asociacija

1) Klasterizavimas

Klasterizacijos metodas naudojamas, kai norime iš duomenų rasti būdingas grupes. Tai būdas sugrupuoti objektus į klasterį taip, kad objektai, turintys daugiausiai panašumų, liktų vienoje grupėje ir turėtų mažiau arba visai nepanašutų su kitų grupių objektais. Klasterizacijos algoritmo pavyzdys yra klientų grupavimas pagal jų pirkimo elgseną.

Toliau pateikiami kai kurie populiarūs klasterizacijos algoritmai:

K-Means klasterizacijos algoritmas Vidutinio poslinkio algoritmas DBSCAN algoritmas Pagrindinių komponentų analizė Nepriklausomų komponentų analizė

2) Asociacija

Asociacijos taisyklių mokymasis yra neprižiūrimas mokymosi metodas, kuris randa įdomius ryšius tarp kintamųjų dideliame duomenų rinkinyje. Pagrindinis šio mokymosi algoritmo tikslas yra rasti vieno duomenų elemento priklausomybę nuo kito duomenų elemento ir atitinkamai susieti tuos kintamuosius, kad būtų galima gauti didžiausią pelną. Šis algoritmas daugiausia taikomas Rinkos krepšelio analizė, interneto naudojimo kasyba, nuolatinė gamyba ir kt.

Kai kurie populiarūs asociacijos taisyklių mokymosi algoritmai Apriori Algorithm, Eclat, FP augimo algoritmas.

Neprižiūrimo mokymosi algoritmo privalumai ir trūkumai

Privalumai:

• Šie algoritmai gali būti naudojami sudėtingoms užduotims, palyginti su prižiūrimomis, nes šie algoritmai veikia nepažymėtame duomenų rinkinyje.
• Neprižiūrimi algoritmai yra pageidautini atliekant įvairias užduotis, nes gauti nepažymėtą duomenų rinkinį yra lengviau, palyginti su pažymėtu duomenų rinkiniu.

Trūkumai:

• Neprižiūrimo algoritmo išvestis gali būti ne tokia tiksli, nes duomenų rinkinys nėra pažymėtas, o algoritmai nėra mokomi naudojant tikslią išvestį anksčiau.
• Dirbti su neprižiūrėtu mokymusi yra sunkiau, nes jis veikia su nepažymėtu duomenų rinkiniu, kuris nesusijęs su išvestimi.

Neprižiūrimo mokymosi taikymai

Tinklo analizė:Neprižiūrimas mokymasis naudojamas plagiatui ir autorių teisėms nustatyti atliekant mokslinių straipsnių tekstinių duomenų dokumentų tinklo analizę.Rekomendavimo sistemos:Rekomendacijų sistemose plačiai naudojami neprižiūrimi mokymosi metodai, skirti kurti rekomendacijų programas skirtingoms žiniatinklio programoms ir el. prekybos svetainėms.Anomalijų aptikimas:Anomalijų aptikimas yra populiari neprižiūrimo mokymosi programa, kuri gali nustatyti neįprastus duomenų taškus duomenų rinkinyje. Jis naudojamas apgaulingiems sandoriams nustatyti.Vienaskaitos vertės skaidymas:Singular Value Decomposition arba SVD naudojamas tam tikrai informacijai iš duomenų bazės išgauti. Pavyzdžiui, išgauti informaciją apie kiekvieną vartotoją, esantį tam tikroje vietoje.

3. Pusiau prižiūrimas mokymasis

Pusiau prižiūrimas mokymasis yra mašininio mokymosi algoritmo tipas, esantis tarp prižiūrimo ir neprižiūrimo mašininio mokymosi . Jis yra tarpinis pagrindas tarp prižiūrimo (su pažymėtais mokymo duomenimis) ir neprižiūrimo mokymosi (be pažymėtų mokymo duomenų) algoritmų ir mokymo laikotarpiu naudoja pažymėtų ir nepažymėtų duomenų rinkinių derinį.

A Nors pusiau prižiūrimas mokymasis yra vidurys tarp prižiūrimo ir neprižiūrimo mokymosi ir veikia remiantis duomenimis, sudarytais iš kelių etikečių, dažniausiai jis susideda iš nepažymėtų duomenų. Kadangi etiketės yra brangios, tačiau įmonės tikslais jos gali turėti mažai etikečių. Tai visiškai skiriasi nuo prižiūrimo ir neprižiūrimo mokymosi, nes jie grindžiami etikečių buvimu ir nebuvimu.

Siekiant pašalinti prižiūrimo mokymosi ir neprižiūrimo mokymosi algoritmų trūkumus, pristatoma pusiau prižiūrimo mokymosi koncepcija. . Pagrindinis pusiau prižiūrimo mokymosi tikslas yra efektyviai panaudoti visus turimus duomenis, o ne tik pažymėtus duomenis, kaip mokantis prižiūrint. Iš pradžių panašūs duomenys sugrupuojami kartu su neprižiūrimu mokymosi algoritmu, o toliau padeda nepažymėtus duomenis suskirstyti į pažymėtus duomenis. Taip yra todėl, kad pažymėti duomenys yra palyginti brangesni nei nepažymėti duomenys.

Šiuos algoritmus galime įsivaizduoti su pavyzdžiu. Prižiūrimas mokymasis yra tada, kai studentas yra prižiūrimas instruktoriaus namuose ir koledže. Be to, jei tas studentas savarankiškai analizuoja tą pačią koncepciją be jokios instruktoriaus pagalbos, jis mokomasi be priežiūros. Iš dalies prižiūrimo mokymosi metu studentas turi peržiūrėti save, išanalizavęs tą pačią koncepciją, vadovaujamas kolegijos dėstytojo.

Pusiau prižiūrimo mokymosi privalumai ir trūkumai

Privalumai:

matricos programa c kalba

• Tai paprasta ir lengva suprasti algoritmą.
• Tai labai efektyvu.
• Jis naudojamas sprendžiant prižiūrimo ir neprižiūrimo mokymosi algoritmų trūkumus.

Trūkumai:

• Iteracijų rezultatai gali būti nestabilūs.
• Negalime taikyti šių algoritmų tinklo lygio duomenims.
• Tikslumas mažas.

4. Sustiprinimo mokymasis

Sustiprinimo mokymasis veikia grįžtamuoju ryšiu pagrįstu procesu, kurio metu AI agentas (programinės įrangos komponentas) automatiškai tyrinėja aplinką, smogdamas ir sekdamas, imdamasis veiksmų, mokydamasis iš patirties ir gerindamas savo našumą. Agentas gauna atlygį už kiekvieną gerą veiksmą ir baudžiamas už kiekvieną blogą veiksmą; taigi mokymosi pastiprinimo agento tikslas yra maksimaliai padidinti atlygį.

Mokymosi sustiprinimo metu nėra pažymėtų duomenų, pavyzdžiui, prižiūrimas mokymasis, o agentai mokosi tik iš savo patirties.

Pastiprinimo mokymosi procesas yra panašus į žmogų; pavyzdžiui, vaikas išmoksta įvairių dalykų iš savo kasdieninio gyvenimo patirties. Pastiprinimo mokymosi pavyzdys yra žaisti žaidimą, kur Žaidimas yra aplinka, agento judesiai kiekviename žingsnyje apibrėžia būsenas, o agento tikslas yra gauti aukštą rezultatą. Agentas gauna atsiliepimus apie bausmes ir atlygį.

Dėl savo darbo būdo stiprinamasis mokymasis yra naudojamas įvairiose srityse, pvz Žaidimų teorija, operacijų tyrimas, informacijos teorija, kelių agentų sistemos.

Pastiprinimo mokymosi problema gali būti formalizuota naudojant Markovo sprendimų procesas (MDP). MDP agentas nuolat sąveikauja su aplinka ir atlieka veiksmus; kiekvieno veiksmo metu aplinka reaguoja ir sukuria naują būseną.

Stiprinimo mokymosi kategorijos

Sustiprinimo mokymasis daugiausia skirstomas į dviejų tipų metodus/algoritmus:

Teigiamas stiprinimo mokymasis:Teigiamas pastiprinimo mokymasis nurodo padidinti tendenciją, kad reikiamas elgesys pasikartotų ką nors pridedant. Tai padidina agento elgesio stiprumą ir teigiamai veikia jį.Neigiamas stiprinimo mokymasis:Neigiamas sustiprinimo mokymasis veikia visiškai priešingai nei teigiamas RL. Tai padidina tendenciją, kad konkretus elgesys pasikartotų, vengiant neigiamos būklės.

Realaus pasaulio sustiprinimo mokymosi atvejai

Kompiuteriniai žaidimai:
RL algoritmai yra labai populiarūs žaidimų programose. Jis naudojamas siekiant įgyti viršžmogišką našumą. Kai kurie populiarūs žaidimai, kuriuose naudojami RL algoritmai, yra AlphaGO ir AlphaGO Zero .Resursu valdymas:
Straipsnyje „Išteklių valdymas naudojant gilų mokymąsi“ parodyta, kaip naudoti RL kompiuteryje, kad būtų galima automatiškai mokytis ir suplanuoti išteklius laukti skirtingų darbų, kad būtų sumažintas vidutinis darbo sulėtėjimas.Robotika:
RL plačiai naudojamas robotikos programose. Robotai naudojami pramonėje ir gamyboje, o šie robotai yra galingesni mokantis sustiprinti. Yra įvairių pramonės šakų, turinčių savo viziją sukurti intelektualius robotus naudojant AI ir mašininio mokymosi technologijas.Teksto gavyba
Teksto gavyba, viena iš puikių NLP taikomųjų programų, dabar įgyvendinama padedant „Salesforce“ įmonės „Reforcement Learning“.

Mokymosi sustiprinimo privalumai ir trūkumai

Privalumai

• Tai padeda išspręsti sudėtingas realaus pasaulio problemas, kurias sunku išspręsti bendraisiais metodais.
• RL mokymosi modelis panašus į žmonių mokymąsi; todėl galima rasti tiksliausius rezultatus.
• Padeda pasiekti ilgalaikių rezultatų.

Trūkumas

• RL algoritmai nėra pageidaujami paprastoms problemoms spręsti.
• RL algoritmams reikia didžiulių duomenų ir skaičiavimų.
• Per daug stiprinimo mokymosi gali sukelti būsenų perkrovą, o tai gali susilpninti rezultatus.

Matmenų prakeiksmas riboja realių fizinių sistemų mokymąsi.