6.5 KiB
title | localeTitle |
---|---|
Machine Learning | Машинное обучение |
Машинное обучение
Артур Самуэль, пионер в области искусственного интеллекта, определил Machine Learning в 1959 году как «поле обучения, которое дает компьютерам возможность учиться, не будучи явно запрограммированным».
Более формальное определение машинного обучения предоставляется профессором Томом Митчеллом из КМУ:
«Говорят, что компьютерная программа учится на опыте E по отношению к некоторому классу задач T и показателю производительности P, если его производительность при заданиях в T, измеряемая P, улучшается с опытом E."
Рассмотрим пример алгоритма машинного обучения, который играет в шахматы. В этом примере E
относится к опыту игры в шахматы, T
- игра в шахматы, а P
означает вероятность того, что программа выиграет следующую игру в шахматы.
Машиноведение в точности похоже на то, как человек учится. Например, если человек хочет научиться играть в покер, он сначала изучит правила. Затем он попытается получить опыт, играя в игру. Этот опыт представляет собой не что иное, как огромный набор данных для машины, с помощью которого он может принимать разумные решения, решая предлагаемую проблему.
В общем, проблемы машинного обучения можно разделить на контролируемое обучение и неконтролируемое обучение. В контролируемом обучении у вас есть вход и помеченный вывод, и вы подозреваете, что существует связь между вводом и помеченным выводом. Когда вы не знаете, что такое помеченный вывод, и не существует отношений, неконтролируемое обучение поможет вам найти структуру в ваших данных, если она есть.
Мы рассмотрели две основные категории машинного обучения, но есть четыре широкие категории машинного обучения:
- Контролируемое обучение
- Неконтролируемое обучение
- Полу-контролируемое обучение
- Укрепление обучения
Контролируемое обучение
Контролируемое обучение - это задача машинного обучения вывода функции из контролируемых данных обучения. Тренировка данные состоят из набора примеров обучения. В контролируемом обучении каждый пример представляет собой пару, состоящую из входного объекта (обычно вектор) и желаемое выходное значение (также называемое контрольным сигналом). Кроме того, контролируемое обучение можно принять за 2 парадигмы, классификацию и регрессию.
Основная блок-схема / шаги для контролируемого обучения
- Собирайте набор тренировок.
- Разделить тренировку на входной объект (функции) и выходной объект (классы или значение)
- Решите, что вы будете применять, регрессию или классификатор
- Определите, какой алгоритм вы будете применять, SVM, глубокая сеть и т. Д.
- Запустите алгоритм обучения и используйте модель для предсказаний
Курсы:
- Введение в машинное обучение
- Machine Learning - Учить: Andrew Ng
- Науки о данных и машинное обучение с помощью Python - Hands On!
- Машинное обучение
- Край Аналитики - Преподаватель: MIT
Видео ресурсы:
Дополнительная информация:
- Машиноведение в Википедии
- Machine Learning Demystified: Youtube
- Если вы хотите кратко познакомиться с машинным обучением, и вы предпочитаете видео, попробуйте эту презентацию для ознакомления с машиной
- Если вы хотите узнать, как продолжить обучение в обучении, взгляните на это видео
лаборатория
Создание смарт-приложений с помощью студии Azure Machine Learning Studio