Позвольте мне представить серию моих детских шагов. Я написал эту серию, потому что, изучая машинное обучение (ML), я изо всех сил пытался понять некоторые идеи и чувствовал, что потерялся в количестве связанной информации, которую мне нужно было изучить. Поэтому, как новый выпускник, который изо всех сил пытался понять ML, я хотел попытаться помочь новичкам в этой области.
Я думаю, что все мы так много слышали об машинном обучении и искусственном интеллекте (ИИ), эти два термина используются взаимозаменяемо, но на самом деле они разные. В области искусственного интеллекта мы пытаемся создать машину, которая может имитировать образ мышления человека, поэтому мы создаем умных роботов. С другой стороны, с ML мы учим машину учиться на заданных данных без явного программирования ее для конкретной задачи. Поскольку мои познания в области ИИ ограничены, я не буду на этом останавливаться и сосредоточусь больше на машинном обучении.
Итак, давайте углубимся в ML. Во-первых, нам нужно понять его типы. У нас есть:
1- Контролируемое обучение: здесь мы передаем алгоритму набор входных и выходных данных (помеченных данных) для обучения, после чего он научится предсказывать выходные данные для невидимых данных после того, как он научился. Это как учить ребенка названиям животных: вы даете ребенку изображение кошки и говорите ему, что это кошка, затем вы даете ему изображение другой кошки и спрашиваете, что это такое.
В контролируемом обучении у нас есть две категории:
- Регрессия: здесь на выходе будут непрерывные числа, такие как прогнозирование цен.
- Классификация: здесь мы прогнозируем классы, чтобы мы могли предсказать, животное это или человек. Более реалистичным примером может быть прогнозирование того, является ли электронное письмо спамом или нет.
2- Обучение без учителя: этот вид обучения отличается тем, что он не будет учиться на практических примерах, таких как обучение с учителем. Вместо этого он будет изучать шаблоны самостоятельно только из входных данных (неразмеченных данных). Например, представьте, что вам дали набор недавно обнаруженных животных, и вас попросили сгруппировать похожих, не зная точно, что они из себя представляют. Некоторые из этих животных плавают в море и имеют плавники, поэтому вы относите их к рыбам. Затем вы группируете тех, у кого есть крылья и они летают как птицы. Вы классифицируете, основываясь на похожих шаблонах, которые вы наблюдали.
3- Полуконтролируемое обучение: здесь мы смешиваем контролируемое и неконтролируемое обучение. Мы будем использовать неразмеченные данные и некоторые размеченные данные и попробуем вычислить отображение. Если вам интересно, почему мы это делаем, то это потому, что сбор помеченных данных обходится дорого, их маркировка требует огромного количества рабочей силы и занимает много времени.
4-Обучение с подкреплением: этот вид обучения следует системе вознаграждения, поэтому, если ваша машина сделала что-то правильно, вы вознаградите ее, а если она сделала что-то неправильно, вы ее накажете.
По моему скромному мнению, я рассматриваю алгоритмы машинного обучения как своих маленьких детей, потому что мы пытаемся увидеть, как они растут, либо скармливая им примеры, либо наблюдая, как они учатся на основе шаблонов. Или даже сказать им, что вы неправы и что вам следует пересмотреть свои действия, это все равно, что воспитывать ребенка. Конечно, когда мы их учим, мы используем математические функции, но я просто пытаюсь упростить концепцию. Я надеюсь, что эта статья дала вам представление о том, что такое машинное обучение, и я объясню больше в следующих статьях. Если у вас есть какие-либо отзывы об этой статье или вопросы, не стесняйтесь обращаться ко мне на моем LinkedIn.
LinkedIn: https://www.linkedin.com/in/nora-aqeeli/
Ресурсы:
Источник IMG для контролируемого обучения: http://www.aidemands.com/what-is-importance-of-image-annotation-in-present-world/
Источник IMG для неконтролируемого обучения: https://www.boozallen.com/content/dam/boozallen_site/sig/pdf/publications/machine-intelligence-quick-guide-to-how-machines-learn.pdf
Источник IMG полууправляемого обучения: https://www.researchgate.net/figure/Principle-of-semi-supervised-learning-1-a-model-eg-CSP-LDA-classifier-is-first_fig4_277605013
