Машинное обучение Python Deep Basic
Искусственный интеллект (ИИ) - это любой код, алгоритм или метод, который позволяет компьютеру имитировать когнитивное поведение или интеллект человека. Машинное обучение (ML) - это подмножество ИИ, в котором используются статистические методы, позволяющие машинам учиться и совершенствоваться с опытом. Глубокое обучение - это подмножество машинного обучения, которое делает возможным вычисление многослойных нейронных сетей. Машинное обучение рассматривается как поверхностное обучение, а глубокое обучение - как иерархическое обучение с абстракцией.
Машинное обучение имеет дело с широким спектром концепций. Концепции перечислены ниже -
- supervised
- unsupervised
- обучение с подкреплением
- линейная регрессия
- функции затрат
- overfitting
- under-fitting
- гиперпараметр и др.
В процессе обучения с учителем мы учимся предсказывать значения на основе помеченных данных. Один из методов машинного обучения, который помогает здесь, - это классификация, где целевые значения являются дискретными значениями; например, кошки и собаки. Еще одна техника машинного обучения, которая может помочь, - это регресс. Регрессия работает с целевыми значениями. Целевые значения - это непрерывные значения; например, данные фондового рынка можно анализировать с помощью регрессии.
При обучении без учителя мы делаем выводы из входных данных, которые не помечены или не структурированы. Если у нас есть миллион медицинских записей, и мы должны разобраться в них, найти основную структуру, выбросы или выявить аномалии, мы используем метод кластеризации, чтобы разделить данные на широкие кластеры.
Наборы данных делятся на обучающие наборы, наборы для тестирования, наборы для проверки и так далее.
Прорыв в 2012 году сделал концепцию глубокого обучения популярной. Алгоритм успешно классифицировал 1 миллион изображений по 1000 категориям, используя 2 графических процессора и новейшие технологии, такие как Big Data.
Связь глубокого обучения и традиционного машинного обучения
Одна из основных проблем, с которыми сталкиваются традиционные модели машинного обучения, - это процесс, называемый извлечением признаков. Программист должен быть конкретным и указывать компьютеру функции, на которые следует обратить внимание. Эти особенности помогут в принятии решений.
Ввод необработанных данных в алгоритм редко срабатывает, поэтому извлечение признаков является важной частью традиционного рабочего процесса машинного обучения.
Это возлагает огромную ответственность на программиста, а эффективность алгоритма во многом зависит от того, насколько изобретателен программист. Для сложных проблем, таких как распознавание объектов или распознавание почерка, это огромная проблема.
Глубокое обучение со способностью изучать несколько уровней представления - один из немногих методов, который помог нам с автоматическим извлечением признаков. Можно предположить, что нижние уровни выполняют автоматическое извлечение признаков, практически не требуя указаний от программиста.