Wat is machinaal leren?
Machine learning is een klein toepassingsgebied van kunstmatige intelligentie waarin machines automatisch leren van de bewerkingen en zichzelf verfijnen om een betere output te geven. Op basis van de verzamelde gegevens hebben de machines de neiging om te werken aan het verbeteren van de computerprogramma's die overeenkomen met de vereiste output. Vanwege het vermogen van een machine om zelfstandig te leren, is expliciete programmering van deze computers niet vereist. Het is al overal in ons leven doorgedrongen zonder dat we het weten. Vrijwel elke machine die we gebruiken en de geavanceerde technologische machines waarvan we het afgelopen decennium getuige zijn, hebben machine learning geïntegreerd om de kwaliteit van producten te verbeteren. Enkele voorbeelden van machine learning zijn zelfrijdende auto's, geavanceerde zoekopdrachten op internet, spraakherkenning.
Het belangrijkste doel van mensen is om het leeralgoritme van de machines te ontwikkelen op een manier dat het de machines helpt automatisch te leren zonder enige vorm van menselijke tussenkomst. Het leren terwijl hangt af van de gegevens die worden ingevoerd, waarbij machines sommige patronen en trends observeren en herkennen. Met elk nieuw datapunt verbetert het begrip van de machine en is de output beter uitgelijnd en betrouwbaarder. De gegevens kunnen numerieke waarden, directe ervaringen, afbeeldingen, enz. Zijn, wat ook bijdraagt aan de manier waarop we elk probleem dat we wilden oplossen met behulp van machine learning aanpakken. Er zijn ook verschillende soorten machine learning-benaderingen op basis van het type output dat u nodig hebt.
Verschil tussen conventioneel programmeren en machinaal leren
Conventionele programmering = Logica is geprogrammeerd + Gegevens worden ingevoerd + Logica wordt uitgevoerd op de gegevens + Uitvoer
Machine Learning = Gegevens worden ingevoerd + Verwachte uitvoer wordt ingevoerd + Voer het op de machine uit om het algoritme van invoer tot uitvoer te trainen, kortom, laat het zijn eigen logica creëren om van invoer naar uitvoer te bereiken + Opgeleid algoritme dat op testgegevens wordt gebruikt voor voorspelling
Machine leermethoden
We hebben vier hoofdtypen machine-leermethoden op basis van het soort leren dat we van de algoritmen verwachten:
1. Begeleid machinaal leren
Begeleide leeralgoritmen worden gebruikt wanneer de output is geclassificeerd of gelabeld. Deze algoritmen leren van de ingevoerde gegevens uit het verleden, ook wel trainingsgegevens genoemd, voeren de analyse uit en gebruiken deze analyse om toekomstige gebeurtenissen van nieuwe gegevens binnen de bekende classificaties te voorspellen. De nauwkeurige voorspelling van testgegevens vereist grote gegevens om voldoende inzicht in de patronen te hebben. Het algoritme kan verder worden getraind door de trainingsoutputs te vergelijken met werkelijke en de fouten te gebruiken voor het wijzigen van de algoritmen.
Voorbeeld uit het echte leven:
- Beeldclassificatie - Het algoritme is afkomstig van het voeden met gelabelde beeldgegevens. Een algoritme wordt getraind en verwacht wordt dat in het geval van de nieuwe afbeelding het algoritme het correct classificeert.
- Marktvoorspelling - Het wordt ook wel regressie genoemd. Historische zakelijke marktgegevens worden naar de computer gevoerd. Met analyse en regressie-algoritme wordt een nieuwe prijs voor de toekomst voorspeld, afhankelijk van variabelen.
Laten we naar de volgende hoofdtypen van machine-leermethoden gaan.
2. Automatisch leren zonder toezicht
Ongecontroleerde leeralgoritmen worden gebruikt wanneer we niet op de hoogte zijn van de uiteindelijke output en de classificatie of gelabelde outputs niet tot onze beschikking staan. Deze algoritmen onderzoeken en genereren een functie om volledig verborgen en niet-geëtiketteerde patronen te beschrijven. Daarom is er geen correcte uitvoer, maar het bestudeert de gegevens om onbekende structuren in niet-geëtiketteerde gegevens te verspreiden.
Voorbeeld uit het echte leven:
- Clustering - Gegevens met vergelijkbare kenmerken worden door het algoritme gevraagd te groeperen, deze groepering wordt clusters genoemd. Deze blijken nuttig in de studie van deze groepen die min of meer kunnen worden toegepast op de volledige gegevens binnen een cluster.
- Hoge dimensiegegevens - Hoge dimensiegegevens zijn normaal niet gemakkelijk om mee te werken. Met behulp van onbewaakt leren wordt visualisatie van gegevens met een hoge dimensie mogelijk
- Generatieve modellen - Zodra uw algoritme de waarschijnlijkheidsverdeling van de invoer analyseert en bedenkt, kan het worden gebruikt om nieuwe gegevens te genereren. Dit blijkt erg nuttig te zijn in geval van ontbrekende gegevens.
3. Versterking Machine Learning
Dit type machine learning-algoritme gebruikt de trial and error-methode om output te produceren op basis van de hoogste efficiëntie van de functie. De output wordt vergeleken om fouten en feedback te ontdekken die worden teruggekoppeld naar het systeem om de prestaties te verbeteren of te maximaliseren. Het model is voorzien van beloningen die in feite feedback en straffen zijn bij het uitvoeren van een bepaald doel.
4. Semi-begeleid machinaal leren
Deze algoritmen ondernemen normaal gesproken gelabelde en niet-gelabelde gegevens, waarbij de hoeveelheid niet-gelabelde gegevens groot is in vergelijking met gelabelde gegevens. Omdat het werkt met zowel en tussen begeleide als niet-begeleide leeralgoritmen, wordt daarom semi-begeleide machine learning genoemd. Systemen die deze modellen gebruiken, blijken een verbeterde leernauwkeurigheid te hebben.
Voorbeeld - Een afbeeldingsarchief kan slechts enkele van zijn gegevens bevatten, bijvoorbeeld. Hond, kat, muis en een groot deel van de afbeeldingen blijven ongemerkt.
Modellen gebaseerd op het soort uitgangen van de algoritmen
Hieronder staan de typen machine learning-modellen op basis van het soort output dat we van de algoritmen verwachten:
1. Classificatie
Er is een verdeling van klassen van de ingangen, het systeem produceert een model van trainingsgegevens waarin het nieuwe ingangen toewijst aan een van deze klassen
Het valt onder de paraplu van begeleid leren. Een voorbeeld uit de praktijk is spamfiltering, waarbij e-mails de invoer zijn die wordt geclassificeerd als "spam" of "niet-spam".
2. Regressie
Regressie-algoritme is ook een onderdeel van begeleid leren, maar het verschil is dat de uitgangen continue variabelen zijn en niet discreet.
Voorbeeld - Voorspelling van huizenprijzen met behulp van gegevens uit het verleden
3. Dimensionaliteitsreductie
Dit type machine learning houdt verband met analyses van inputs en beperkt deze tot alleen relevante om te gebruiken voor modelontwikkeling. Functieselectie, dwz invoerselectie en functie-extractie, zijn verdere onderwerpen die in overweging moeten worden genomen voor een beter begrip van de vermindering van de dimensionaliteit.
Op basis van de bovengenoemde verschillende benaderingen moeten er verschillende algoritmen worden overwogen. Enkele veel voorkomende algoritmen zijn lineaire en logistieke regressie, K-naaste buren, beslissingsbomen, ondersteunende vectormachines, willekeurig bos, enz. Met behulp van deze algoritmen kunnen complexe beslissingsproblemen een richtinggevoel hebben op basis van een enorme hoeveelheid gegevens . Om deze nauwkeurigheid en kansen te bereiken, moeten extra middelen en tijd worden verstrekt. Machine learning in combinatie met kunstmatige intelligentie en andere technologieën is effectiever om informatie te verwerken.
Aanbevolen artikelen
Dit is een gids geweest voor soorten machine learning. Hier hebben we het concept, de verschillende methode en het verschillende model voor algoritmen besproken. U kunt ook onze andere voorgestelde artikelen doornemen voor meer informatie -
- Technieken voor machinaal leren
- Wat is diep leren
- Wat is machinaal leren?
- Inleiding tot machinaal leren
- Machine leren van hyperparameter