freeCodeCamp/guide/russian/machine-learning/index.md

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:

1. Контролируемое обучение
2. Неконтролируемое обучение
3. Полу-контролируемое обучение
4. 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

1. Собирайте набор тренировок.
2. Разделить тренировку на входной объект (функции) и выходной объект (классы или значение)
3. Решите, что вы будете применять, регрессию или классификатор
4. Определите, какой алгоритм вы будете применять, SVM, глубокая сеть и т. Д.
5. Запустите алгоритм обучения и используйте модель для предсказаний

Курсы:

1. Введение в машинное обучение
2. Machine Learning - Учить: Andrew Ng
3. Науки о данных и машинное обучение с помощью Python - Hands On!
4. Машинное обучение
5. Край Аналитики - Преподаватель: MIT

Видео ресурсы:

1. Канал Siraj Raval's Youtube
2. Канал Sentdex Youtube

Дополнительная информация:

1. Машиноведение в Википедии
2. Machine Learning Demystified: Youtube
3. Если вы хотите кратко познакомиться с машинным обучением, и вы предпочитаете видео, попробуйте эту презентацию для ознакомления с машиной
4. Если вы хотите узнать, как продолжить обучение в обучении, взгляните на это видео

лаборатория

Создание смарт-приложений с помощью студии Azure Machine Learning Studio