Einführung in das maschinelle Lernen

Training ist eine universelle Fähigkeit, die jedem lebenden Organismus auf dem Planeten innewohnt.

Lernen ist der Erwerb von Wissen und Fähigkeiten durch Erfahrung oder Studium. Dies verbindet uns und macht uns gleichzeitig einzigartig. Dies ist etwas, das sich mit der Zeit entwickelt.

Bild

Was ist, wenn ich sage: „Maschinen können auch lernen“?

Wir leben in einer erstaunlichen Zeit der Entwicklung von Robotisierung, künstlicher Intelligenz und maschinellem Lernen. Maschinelles Lernen ist noch ein recht neues Konzept. Wir können Maschinen das Lernen beibringen, und einige Maschinen können selbst lernen. Magie

Dieser Artikel führt Sie in die Grundlagen des maschinellen Lernens ein.
Das Wichtigste, das Sie verstehen müssen, ist, dass Maschinen die Zukunft anhand der Vergangenheit vorhersagen können.

Was ist maschinelles Lernen? Beim

maschinellen Lernen wird davon ausgegangen, dass ein Computer Muster anhand von Beispielen erkennt und nicht anhand bestimmter Regeln programmiert wird. Diese Vorlagen sind in den Daten enthalten.

Maschinelles Lernen ist das Erstellen von Algorithmen (einer Reihe von Regeln), die aus komplexen Funktionen (Vorlagen) aus Daten lernen und Vorhersagen treffen.

Es passiert in3 Stufen :
1) Datenanalyse
2) Muster suchen
3) Vorhersage basierend auf einem Muster

Anwenden des maschinellen Lernens

Eine Übersicht darüber, wo maschinelles Lernen eingesetzt werden kann.

  • Gesundheitswesen: Vorhersagen von Patientendiagnosen für Ärzte
  • Soziales Netzwerk: Vorhersage der Dating-Kompatibilität
  • Finanzen: Kreditkartenbetrugsprognose
  • E-Commerce: Kundenabwanderung vorhersagen
  • Biologie: Suche nach Mustern von Genmutationen, die Krebs verursachen können

Wie lernen Autos?

Ich möchte Sie nicht verwirren. Ich sage nur, dass Maschinen lernen, wenn sie ähnliche Daten in großen Datenfeldern finden. Je mehr Daten zur Maschine übertragen werden, desto „intelligenter“ werden sie.

Nicht alle Daten sind gleich. Stellen Sie sich vor, Sie sind ein Pirat und Ihr Ziel ist es, irgendwo auf der Insel einen Schatz zu finden. Dazu benötigen Sie eine große Menge an Informationen. Diese Informationen können Sie ebenso wie die Daten entweder in die richtige oder in die falsche Richtung führen. Je genauer die erhaltenen Informationen / Daten sind, desto größer ist die Erfolgschance. Daher ist es wichtig, die Art der Daten zu berücksichtigen, mit denen er trainiert wird.

Nach einer ausreichenden Datenmenge kann die Maschine jedoch Vorhersagen treffen. Maschinen können die Zukunft vorhersagen, bis sich die Zukunft von der Vergangenheit unterscheidet.

Arten des maschinellen Lernens

Es gibt drei Hauptkategorien des maschinellen Lernens:

Überwachtes Lernen : Eine Maschine lernt aus ausgewählten Daten. Normalerweise werden Daten von Personen markiert.

Unüberwachtes Lernen : Das Gerät lernt nicht aus ausgewählten Daten. Der Punkt ist, dass unter den Daten keine "richtige" Antwort vorhanden ist, die Maschine muss eine Beziehung zwischen den Objekten finden.

Verstärktes Lernen : Die Maschine lernt durch ein belohnungsbasiertes System.

1. Überwachtes Lernen Das

Training mit einem Lehrer ist die häufigste und meist untersuchte Art des maschinellen Lernens, da es einfacher ist, eine Maschine mit ausgewählten Daten zu trainieren. Je nachdem, was Sie vorhersagen möchten, können Sie beim Lernen mit einem Lehrer zwei Arten von Problemen lösen: die Regressionsaufgabe und die Klassifizierungsaufgabe.

Regressionsaufgabe:

Wenn Sie kontinuierliche Werte vorhersagen möchten, versuchen Sie beispielsweise, die Kosten eines Hauses oder das Wetter außerhalb in Grad vorherzusagen, verwenden Sie die Regression. Dieser Aufgabentyp hat keine eindeutige Begrenzung der Werte, da der Wert eine beliebige Anzahl ohne Einschränkungen sein kann.

Klassifizierungsaufgabe:

Wenn Sie diskrete Werte vorhersagen müssen, z. B. etwas in Kategorien einteilen, verwenden Sie die Klassifizierung. Die Frage „Will eine Person einen Kauf tätigen“ hat eine Antwort, die in zwei spezifische Kategorien fällt: Ja oder Nein. Die Anzahl der gültigen Antworten natürlich.

2. Unüberwachtes Lernen

Da Maschinen keine markierten Daten für das Training haben, besteht der Zweck des maschinellen Lernens ohne Lehrer darin, Muster in den Daten und ihre Gruppierung zu entdecken.
Lernen ohne Lehrer löst zwei Arten von Problemen: das Problem des Clusterings und die Suche nach Assoziationsregeln.

Clustering-Ziel:

Lernen ohne Lehrer löst das Clusterproblem, indem Ähnlichkeiten in den Daten gefunden werden. Wenn ein gemeinsamer Cluster oder eine Gruppe vorhanden ist, werden sie vom Algorithmus in einer bestimmten Form klassifiziert. Ein Beispiel hierfür wäre die Gruppierung von Kunden nach ihren bisherigen Einkäufen.

Die Aufgabe, assoziative Regeln zu finden:

Lehren ohne Lehrer löst dieses Problem, indem versucht wird, die Regeln und die Bedeutung der verschiedenen Gruppen zu verstehen. Ein markantes Beispiel ist die Suche nach der Beziehung zwischen den Käufen von Kunden. Die Filialen können herausfinden, welche Produkte zusammen gekauft wurden, und diese Informationen für den Verkauf verwenden. Eine Studie ergab, dass zwischen dem Kauf von Bier und Windeln ein enger Zusammenhang besteht. Es stellte sich heraus, dass Männer, die ausgehen, um Windeln für ihre Kinder zu kaufen, auch Bier für sich selbst kaufen.

3. Verstärktes Lernen

Diese Art des maschinellen Lernens erfordert die Verwendung eines Belohnungs- / Fein-Systems. Ziel ist es, das Auto zu belohnen, wenn es richtig lernt, und das Auto zu bestrafen, wenn es falsch lernt.

Beispiele für Verstärkungslernen

- Lernmaschinen lernen, wie man spielt ( Chess, Go)
- Super Mario , wie man lernt und spielt

Wir haben über die Grundlagen des maschinellen Lernens berichtet, das Thema ist interessant und vielversprechend. Nehmen Sie sich also die Zeit, um mehr zu lernen.

Übersetzung eines Anfängerleitfadens zum maschinellen Lernen Artikel :)

Jetzt auch beliebt: