Oggi faremo un tuffo più profondo nell'apprendimento automatico. Quindi, per cominciare, cos'è esattamente l'apprendimento automatico?

Tom Mitchell, professore ed ex presidente del dipartimento di machine learning della Carnegie Mellon descrive il machine learning come:

"Algoritmi informatici che migliorano automaticamente attraverso l'esperienza"

L'apprendimento automatico è una branca dell'intelligenza artificiale con tre aree principali: apprendimento supervisionato, apprendimento non supervisionato e apprendimento per rinforzo. Questo post si concentrerà sul primo pilastro: l'apprendimento supervisionato .

Apprendimento supervisionato

La maggior parte dell'apprendimento automatico che vediamo in produzione oggi è l'apprendimento supervisionato. Implica la mappatura degli input su un particolare output.

Quindi, in questo caso, l'input è l'immagine di un cane o di un gatto e il modello prevede l'output di un "cane" o di un "gatto". Roba piuttosto semplice.

Che tu ci creda o no, oltre il novanta percento dell'apprendimento automatico utilizzato oggi nella tecnologia aziendale del mondo reale utilizza effettivamente l'apprendimento supervisionato in cui disponi di dati di addestramento e un algoritmo/modello che addestri e, dopo un addestramento sufficiente, inizia a fare previsioni.

La complessità ovviamente deriva dagli algoritmi effettivi e dall'approvvigionamento dei set di dati, ma fondamentalmente l'apprendimento supervisionato è un concetto piuttosto semplice.

Algoritmi di apprendimento supervisionato

Classificazione

L'esempio e l'algoritmo più comuni utilizzati oggi nell'apprendimento supervisionato sarebbe la classificazione. Essenzialmente prendi un sacco di dati come immagini di cani e gatti. Etichettalo. Inseriscilo in un modello. E con dati sufficienti, il modello inizia a riconoscere i modelli per iniziare a prevedere e classificare accuratamente le immagini di cani e gatti.

Questo è apprendimento supervisionato perché è necessario un essere umano per ingerire i dati e addestrare il modello (dirgli quando è giusto o sbagliato).

Quindi, in modo semplice, l'apprendimento supervisionato comporta un input e un output. L'immagine è l'input e l'etichetta è l'output. "c at " o " cane ".

Questo è un esempio di classificazione che classifica i dati non strutturati in particolari categorie o classi. Potresti anche avere più categorie.

Ad esempio, in questo caso, invece di solo due classi di " gatto" o " cane" potresti avere tre classi: " gatto ", " cane " o " pollo ".

Il diagramma in alto delinea il processo di addestramento di un modello in cui si etichettano un gruppo di immagini in modo che apprenda i modelli di un "gatto" o di un "cane".

Il diagramma in basso delinea il processo di elaborazione delle previsioni dopo l'allenamento. Il modello può ora prendere dati senza etichetta e fare previsioni accurate poiché ha appreso i modelli.

In breve, alimenta il modello con dati sufficienti e inizia a imparare e può fare previsioni accurate. Questo, ovviamente, rappresenta una relazione inversa con il mio input/output personale dopo una brocca di margarita ghiacciati.

Regressione

Un'altra versione dell'apprendimento supervisionato è la regressione. Quindi la principale differenza tra classificazione e regressione è che la variabile di output nella regressione è numerica o continua. Ciò è in contrasto con la classificazione in cui la variabile di output è categorica o discreta.

I prezzi delle case previsti da app immobiliari come Zillow o Sigma sono un buon esempio di regressione utilizzata nella produzione.

In questo caso, hai dati di input come una casa e alcune informazioni su quella casa: quanto è grande, quante camere da letto o bagni ha, in che quartiere si trova, ecc. Puoi quindi utilizzare questi dati per eseguire la regressione.

L'output è un'etichetta che è il prezzo per quella casa e per cosa è stata venduta. Come accennato, questa etichetta di output rappresenta un valore numerico anziché i valori categorici, come "gatti" o "cani" che vediamo in uscita dai modelli di classificazione.

Oltre il 90% delle previsioni sui prezzi di Zillow negli Stati Uniti rientra nel 10% del prezzo effettivo per le inserzioni attive e la precisione migliora ogni anno poiché il modello apprende continuamente da più dati.

Zillow pubblica le valutazioni delle case Zsymmetric per 104 milioni di case in tutto il paese e utilizza modelli di apprendimento automatico all'avanguardia in grado di esaminare centinaia di punti dati per ogni singola casa. Per calcolare una stima Z, Zillow utilizza un sofisticato modello basato su reti neurali che incorpora dati provenienti da una varietà di fonti. Maggiori informazioni possono essere trovate qui .

Altri casi d'uso per l'apprendimento supervisionato

Di seguito sono elencati alcuni altri casi d'uso di apprendimento supervisionato popolari. Puoi prevedere quali usano Classificazione vs. Regressione?

1. Classificazione delle immagini: ad es. È un cane o un gatto?
2. Riconoscimento ottico dei caratteri: ad esempio note spese
3. Riconoscimento facciale: ad esempio ricerca di foto su Google
4. Analisi del sentiment: ad esempio, alle persone piace il nostro marchio su Twitter?
5. Elaborazione del linguaggio naturale: ad esempio Siri e Alexa
6. Traduzione automatica: ad esempio Google Translate
7. Trascrizione audio: ad esempio voce in testo in iMessage
8. Rilevamento di eventi: ad esempio, quando si verifica un evento specifico in un video?
9. Previsioni di mercato: ad esempio, quanto varrà Apple la prossima settimana?
10. Stima dell'aspettativa di vita: ad es. Per quanto tempo vivrò?
11. Previsioni di crescita della popolazione: ad es. Quanti californiani nel 2050?
12. Previsioni meteorologiche: ad es. Quanto sarà caldo la prossima settimana?

Quindi è così. Ricapitolando, l'apprendimento automatico è una branca dell'intelligenza artificiale e si riferisce ad algoritmi che possono migliorare automaticamente attraverso l'esperienza. L'apprendimento supervisionato è una delle tre aree principali all'interno dell'apprendimento automatico e prevede l'addestramento di un modello fornendogli dati sufficienti in modo che possa iniziare a prevedere con precisione i risultati futuri.

L'apprendimento supervisionato rappresenta oggi oltre il novanta percento di tutti i casi reali di apprendimento automatico in produzione. I due approcci più comuni includono la classificazione e la regressione. Con la classificazione, un modello impara a fare previsioni discrete in termini di quale classe è qualcosa. Con la regressione, un modello impara a fare previsioni numeriche in termini di valore di qualcosa.

Se ti stai divertendo adesso, aspetta che parleremo di Unsupervised Learning nel prossimo post . Come sempre, assicurati di mettere mi piace/condividere/seguirmi su Medium!