Что такое машинное обучение?

Машинное обучение – одна из самых быстрорастущих технологических областей, но несмотря на то, что слова “машинное обучение” часто используются, может быть сложно понять, что такое машинное обучение, точно.

Машинное обучение не относится к одной вещи, это общий термин, который можно применить к многим различным концепциям и техникам. Понимание машинного обучения означает знакомство с различными формами анализа моделей, переменных и алгоритмов. Давайте仔细 рассмотрим машинное обучение, чтобы лучше понять, что оно охватывает.

Что такое машинное обучение?

Хотя термин машинное обучение можно применить к многим различным вещам, в целом, термин относится к тому, чтобы позволить компьютеру выполнять задачи без получения явных инструкций поэтапно. Специалист по машинному обучению не должен писать все шаги, необходимые для решения проблемы, потому что компьютер способен “учиться” путем анализа закономерностей в данных и обобщения этих закономерностей на новые данные.

Системы машинного обучения имеют три основных части:

• Входные данные
• Алгоритмы
• Выходные данные

Входные данные – это данные, которые вводятся в систему машинного обучения, и входные данные можно разделить на метки и признаки. Признаки – это релевантные переменные, переменные, которые будут анализироваться для выявления закономерностей и вывода заключений. Тем временем, метки – это классы/описания, данные отдельным экземплярам данных.

Признаки и метки можно использовать в двух типах задач машинного обучения: обучение с учителем и обучение без учителя.

Обучение без учителя vs. обучение с учителем

В обучении с учителем входные данные сопровождаются эталонной истиной. Задачи обучения с учителем имеют правильные выходные значения как часть набора данных, поэтому ожидаемые классы известны заранее. Это позволяет специалисту по данным проверить производительность алгоритма, протестировав данные на тестовом наборе данных и увидев, какой процент элементов был правильно классифицирован.

Напротив, обучение без учителя не имеет меток эталонной истины, прикрепленных к ним. Алгоритм машинного обучения, обученный для выполнения задач обучения без учителя, должен быть способен вывести релевантные закономерности в данных самостоятельно.

Алгоритмы обучения с учителем обычно используются для задач классификации, где у вас есть большой набор данных, заполненный экземплярами, которые должны быть отсортированы в один из многих разных классов. Другой тип обучения с учителем – это задача регрессии, где значение, выводимое алгоритмом, является непрерывным по природе, а не категориальным.

Тем временем, алгоритмы обучения без учителя используются для задач, таких как оценка плотности, кластеризация и обучение представлениям. Эти три задачи требуют от модели машинного обучения вывести структуру данных, нет предварительно определенных классов, данных модели.

Давайте взглянем на некоторые из наиболее распространенных алгоритмов, используемых как в обучении без учителя, так и в обучении с учителем.

Типы обучения с учителем

Общие алгоритмы обучения с учителем включают:

• Наивный Байес
• Машины опорных векторов
• Логистическая регрессия
• Случайные леса
• Искусственные нейронные сети

Машины опорных векторов – это алгоритмы, которые разделяют набор данных на разные классы. Точки данных группируются в кластеры путем рисования линий, которые разделяют классы друг от друга. Точки, найденные на одной стороне линии, принадлежат одному классу, а точки на другой стороне линии – другому классу. Машины опорных векторов стремятся максимизировать расстояние между линией и точками, найденными на обеих сторонах линии, и чем больше расстояние, тем более уверен классификатор, что точка принадлежит одному классу, а не другому классу.

Логистическая регрессия – это алгоритм, используемый в задачах бинарной классификации, когда точки данных необходимо классифицировать как принадлежащие одному из двух классов. Логистическая регрессия работает путем маркировки точки данных либо 1, либо 0. Если воспринимаемое значение точки данных составляет 0,49 или ниже, оно классифицируется как 0, а если оно составляет 0,5 или выше, оно классифицируется как 1.

Алгоритмы дерева решений работают путем деления наборов данных на все более мелкие фрагменты. Точные критерии, используемые для деления данных, определяются инженером по машинному обучению, но цель состоит в том, чтобы в конечном итоге разделить данные на отдельные точки данных, которые затем будут классифицированы с помощью ключа.

Алгоритм случайного леса по сути является множеством отдельных классификаторов дерева решений, связанных вместе в более мощный классификатор.

Классификатор Наивного Байеса рассчитывает вероятность того, что данная точка данных произошла на основе вероятности предыдущего события. Он основан на теореме Байеса и помещает точки данных в классы на основе их рассчитанной вероятности. При реализации классификатора Наивного Байеса предполагается, что все предикторы имеют одинаковое влияние на исход класса.

Искусственная нейронная сеть, или многослойный перцептрон, – это алгоритмы машинного обучения, вдохновленные структурой и функцией человеческого мозга. Искусственные нейронные сети получили свое название от того, что они состоят из многих узлов/нейронов, связанных вместе. Каждый нейрон манипулирует данными с помощью математической функции. В искусственных нейронных сетях есть входные слои, скрытые слои и выходные слои.

Скрытый слой нейронной сети – это место, где данные фактически интерпретируются и анализируются на наличие закономерностей. Другими словами, это место, где алгоритм учится. Больше нейронов, соединенных вместе, создают более сложные сети, способные учиться более сложным закономерностям.

Типы обучения без учителя

Алгоритмы обучения без учителя включают:

• K-среднее кластеризация
• Автокодировщики
• Принципиальный компонентный анализ

K-среднее кластеризация – это техника не监督анной классификации, и она работает путем разделения точек данных на кластеры или группы на основе их признаков. K-среднее кластеризация анализирует признаки, найденные в точках данных, и различает закономерности в них, что делает точки данных, найденные в данном классе кластеризации, более похожими друг на друга, чем на точки данных, найденные в других кластерах. Это достигается путем размещения возможных центров кластеров, или центроидов, в графе данных и переназначения положения центроида до тех пор, пока не будет найдено положение, которое минимизирует расстояние между центроидом и точками, принадлежащими этому классу центроида. Исследователь может указать желаемое количество кластеров.

Принципиальный компонентный анализ – это техника, которая сокращает большое количество признаков/переменных до меньшего пространства признаков/меньшего количества признаков. “Принципиальные компоненты” точек данных выбираются для сохранения, а другие признаки сжимаются до меньшего представления. Отношение между исходными данными сохраняется, но поскольку сложность точек данных проще, данные легче количественно оценить и описать.

Автокодировщики – это версии нейронных сетей, которые можно применить к задачам обучения без учителя. Автокодировщики способны принимать не размеченные, свободные данные и преобразовывать их в данные, которые нейронная сеть может использовать, по сути, создавая свои собственные размеченные данные для обучения. Цель автокодировщика – преобразовать входные данные и восстановить их как можно более точно, поэтому это в интересах сети определить, какие признаки являются наиболее важными и извлечь их.