Python Deep Basic Maschinelles Lernen
Künstliche Intelligenz (KI) ist ein Code, Algorithmus oder eine Technik, mit der ein Computer das kognitive Verhalten oder die Intelligenz des Menschen nachahmen kann. Maschinelles Lernen (ML) ist eine Teilmenge der KI, die statistische Methoden verwendet, um Maschinen das Lernen und Verbessern mit Erfahrung zu ermöglichen. Deep Learning ist eine Teilmenge des maschinellen Lernens, die die Berechnung mehrschichtiger neuronaler Netze ermöglicht. Maschinelles Lernen wird als flaches Lernen angesehen, während tiefes Lernen als hierarchisches Lernen mit Abstraktion angesehen wird.
Maschinelles Lernen befasst sich mit einer Vielzahl von Konzepten. Die Konzepte sind unten aufgeführt -
- supervised
- unsupervised
- Verstärkungslernen
- lineare Regression
- Kostenfunktionen
- overfitting
- under-fitting
- Hyperparameter usw.
Beim überwachten Lernen lernen wir, Werte aus beschrifteten Daten vorherzusagen. Eine ML-Technik, die hier hilft, ist die Klassifizierung, bei der Zielwerte diskrete Werte sind. Zum Beispiel Katzen und Hunde. Eine andere Technik des maschinellen Lernens, die hilfreich sein könnte, ist die Regression. Die Regression arbeitet mit den Zielwerten. Die Zielwerte sind kontinuierliche Werte; Beispielsweise können die Börsendaten mithilfe der Regression analysiert werden.
Beim unbeaufsichtigten Lernen ziehen wir Schlussfolgerungen aus den Eingabedaten, die nicht beschriftet oder strukturiert sind. Wenn wir über eine Million Krankenakten verfügen und diese verstehen, die zugrunde liegende Struktur und Ausreißer finden oder Anomalien erkennen müssen, verwenden wir die Clustering-Technik, um Daten in breite Cluster zu unterteilen.
Datensätze sind in Trainingssätze, Testsätze, Validierungssätze usw. unterteilt.
Ein Durchbruch im Jahr 2012 brachte das Konzept des Deep Learning in den Vordergrund. Ein Algorithmus klassifizierte 1 Million Bilder erfolgreich in 1000 Kategorien unter Verwendung von 2 GPUs und neuesten Technologien wie Big Data.
Deep Learning und traditionelles maschinelles Lernen in Beziehung setzen
Eine der größten Herausforderungen bei herkömmlichen Modellen für maschinelles Lernen ist ein Prozess, der als Merkmalsextraktion bezeichnet wird. Der Programmierer muss spezifisch sein und dem Computer mitteilen, auf welche Funktionen er achten muss. Diese Funktionen helfen bei der Entscheidungsfindung.
Die Eingabe von Rohdaten in den Algorithmus funktioniert selten. Daher ist die Merkmalsextraktion ein wichtiger Bestandteil des herkömmlichen Workflows für maschinelles Lernen.
Dies stellt eine große Verantwortung für den Programmierer dar, und die Effizienz des Algorithmus hängt stark davon ab, wie erfinderisch der Programmierer ist. Bei komplexen Problemen wie der Objekterkennung oder der Handschrifterkennung ist dies ein großes Problem.
Deep Learning mit der Fähigkeit, mehrere Repräsentationsebenen zu lernen, ist eine der wenigen Methoden, die uns bei der automatischen Merkmalsextraktion geholfen haben. Es kann davon ausgegangen werden, dass die unteren Schichten eine automatische Merkmalsextraktion durchführen, die vom Programmierer nur wenig oder gar keine Anleitung benötigt.