3 Typer maskinlæring - dummies

< Maskinindlæring kommer i mange forskellige smagsoplevelser afhængigt af algoritmen og dens mål. Du kan opdele maskininlæringsalgoritmer i tre hovedgrupper baseret på deres formål:

Overvåget læring

• Uovervåget læring
• Forstærkning læring
• Overvåget læring

Overvåget læring

opstår, når en algoritme lærer fra eksempel data og tilhørende målresponser, der kan bestå af numeriske værdier eller strengetiketter, såsom klasser eller tags, for senere at forudsige det korrekte svar, når de er opstillet med nye eksempler. Den overvågede tilgang svarer faktisk til menneskelig læring under en lærers vejledning. Læreren giver gode eksempler for, at den studerende skal huske, og den studerende får derefter generelle regler fra disse specifikke eksempler.

Du skal skelne mellem regressionsproblemer, hvis mål er en numerisk værdi og klassificeringsproblemer, hvis mål er en kvalitativ variabel, som f.eks. En klasse eller et mærke. En regressionsopgave bestemmer de gennemsnitlige priser på huse i Boston-området, og en klassificeringsopgave skelner mellem forskellige typer irisblomster baseret på deres sepal og kronblade.

Unsupervised learning

Unsupervised learning

opstår, når en algoritme lærer fra almindelige eksempler uden nogen tilknyttet respons, idet man efterlader algoritmen til at bestemme datamønstrene alene. Denne type algoritme har tendens til at omstrukturere dataene til noget andet, såsom nye funktioner, der kan repræsentere en klasse eller en ny række ukorrelerede værdier. De er ret nyttige til at give mennesker en indsigt i betydningen af ​​data og nye nyttige input til overvåget maskinindlæringsalgoritmer.

Som en slags læring ligner den de metoder, som mennesker bruger til at regne ud, at visse objekter eller begivenheder kommer fra samme klasse, som ved at observere graden af ​​lighed mellem objekter. Nogle anbefalingssystemer, du finder på internettet i form af marketingautomatisering, er baseret på denne type læring.

Marketingautomatiseringsalgoritmen henter sine forslag fra det, du har købt i fortiden. Anbefalingerne er baseret på et skøn over, hvilken gruppe af kunder du ligner mest, og derefter udlede dine sandsynlige præferencer baseret på denne gruppe.

Forstærkning læring

Forstærkning læring

opstår, når du præsenterer algoritmen med eksempler, der mangler etiketter, som i uovervåget læring. Du kan dog ledsage et eksempel med positiv eller negativ feedback i henhold til den løsning, som algoritmen foreslår.Forstærkningslæring er forbundet med applikationer, som algoritmen skal træffe beslutninger for (så produktet er præskriptivt, ikke bare beskrivende som i uovervåget læring), og beslutningerne har konsekvenser. I den menneskelige verden er det ligesom at lære ved forsøg og fejl. Fejl hjælper dig med at lære, fordi de har tilføjet en straf (omkostninger, tab af tid, fortrydelse, smerte osv.), Og lærer dig, at en bestemt fremgangsmåde er mindre tilbøjelig til at lykkes end andre. Et interessant eksempel på forstærkningslæring opstår, når computere lærer at spille videospil alene.

I dette tilfælde præsenterer en applikation algoritmen med eksempler på specifikke situationer, f.eks. At have gameren fast i en labyrint, mens man undgår en fjende. Ansøgningen lader algoritmen kende resultatet af de handlinger, det kræver, og læring opstår, mens man forsøger at undgå, hvad det opdager at være farligt og forfølge overlevelse. Du kan se, hvordan firmaet Google DeepMind har skabt et forstærkningsprogram, der spiller gamle Atarias videospil. Når du ser videoen, skal du lægge mærke til, hvordan programmet i starten er klodset og ufaglært, men forbedrer stadigt med træning, indtil det bliver en mester.