Типи машинного навчання: Контрольоване проти ненавчаного навчання

types machine learning

У цьому посібнику на простих прикладах пояснюються типи машинного навчання, тобто контрольоване, неконтрольоване, підкріплене та напівнаглядове навчання. Ви також дізнаєтесь про відмінності між контрольованим проти ненавчаного навчання:

В Попередній підручник , ми дізналися про машинне навчання, його роботу та додатки. Ми також бачили порівняння машинного навчання проти штучного інтелекту.

Машинне навчання - це галузь науки, яка займається вивченням комп’ютерних програм на основі досвіду та прогнозуванням результатів.

Головною особливістю ML є навчання на досвіді. Навчання відбувається, коли система, що отримує навчальні вхідні дані, змінює свої параметри та налаштовується на отримання бажаного результату. Результатом є цільове значення, визначене в даних навчання.

додавання елементів до масиву java

=> Прочитайте повну навчальну серію машинного навчання

Що ви дізнаєтесь:

• Види машинного навчання
  • # 1) Навчання під контролем
    • Приклад навчання під наглядом
    • Типи керованих алгоритмів навчання
  • # 2) Навчання без нагляду
    • Приклад навчання без нагляду
    • Типи неконтрольованих алгоритмів
  • # 3) Підкріплення навчання
    • Приклад навчання підкріплення
• Реальний приклад навчання під наглядом та без нагляду
• Різниця між контрольованим проти неконтрольованого навчання
• Навчання під наглядом
• Висновок
  • Рекомендована література

Види машинного навчання

Програми машинного навчання класифікуються на 3 типи, як показано нижче.

• Під наглядом
• Без нагляду
• Підкріплення навчання

Давайте розберемося в кожному з них докладно !!

# 1) Навчання під наглядом

Навчання під контролем відбувається в присутності керівника, як і навчання, яке виконує маленька дитина за допомогою свого вчителя. Оскільки дитина навчена розпізнавати фрукти, кольори, цифри під наглядом вчителя, цей метод контролюється під контролем.

У цьому методі кожен крок дитини перевіряється вчителем, і дитина дізнається з результатів, які він повинен зробити.

Як працює контрольоване навчання?

У керованому алгоритмі ML результат вже відомий. Існує відображення вхідних даних з вихідними. Отже, для створення моделі машина подається з великою кількістю навчальних вхідних даних (з відомими вхідними та відповідними вихідними даними).

Дані тренінгу допомагають досягти рівня точності для створеної моделі даних. Вбудована модель тепер готова до отримання нових вхідних даних та прогнозування результатів.

Що таке маркований набір даних?

Набір даних із вихідними даними, відомими для даного входу, називається Позначеним набором даних. Наприклад, відоме зображення фрукта разом із назвою фрукта. Отже, коли показано нове зображення фрукта, воно порівнюється з навчальним набором для прогнозування відповіді.

Навчання під наглядом - це механізм швидкого навчання з високою точністю. Проблеми навчання, що контролюються, включають проблеми регресії та класифікації.

Деякі з контрольованих алгоритмів навчання:

• Дерева прийняття рішень,
• K-Найближчий сусід,
• Лінійна регресія,
• Підтримка векторної машини та
• Нейронні мережі.

Приклад навчання під наглядом

• На першому кроці навчальний набір даних подається в алгоритм машинного навчання.
• За допомогою навчального набору даних машина налаштовується сама, вносячи зміни у параметри для побудови логічної моделі.

• Потім побудована модель використовується для нового набору даних для прогнозування результату.

Типи керованих алгоритмів навчання

• Класифікація: У таких типах проблем ми передбачаємо відповідь як специфічні класи, такі як “так” чи “ні”. Коли присутні лише 2 класи, це називається двійковою класифікацією. Для більш ніж 2 значень класу це називається багатокласною класифікацією. Прогнозовані значення відповіді є дискретними значеннями. Наприклад, Це зображення сонця чи місяця? Алгоритм класифікації розділяє дані на класи.
• Регресія: Проблеми регресії передбачають відповідь як безперервні значення, такі як передбачення значення, яке коливається від -нескінченності до нескінченності. Це може зайняти багато значень. Наприклад, застосовуваний алгоритм лінійної регресії передбачає вартість будинку на основі багатьох параметрів, таких як місце розташування, сусідній аеропорт, розмір будинку тощо.

# 2) Навчання без нагляду

Навчання без нагляду відбувається без допомоги керівника так само, як риба вчиться плавати сама. Це самостійний процес навчання.

У цій моделі, оскільки немає вихідних даних, зіставлених із вхідними даними, цільові значення невідомі / не позначені. Система повинна сама вчитися на введені до неї дані та виявляти приховані закономірності.

Що таке маркований набір даних?

Набір даних з невідомими вихідними значеннями для всіх вхідних значень називається безметовим набором даних.

Як працює неконтрольоване навчання?

Оскільки немає відомих вихідних значень, які можна використовувати для побудови логічної моделі між входом і виходом, деякі методи використовуються для видобування правил даних, шаблонів та груп даних подібних типів. Ці групи допомагають кінцевим користувачам краще зрозуміти дані, а також знайти значущий результат.

Подані вхідні дані не мають форми належної структури, як і дані навчання (при контрольованому навчанні). Він може містити викиди, галасливі дані тощо. Ці входи разом подаються в систему. Під час навчання моделі вхідні дані організовуються для формування кластерів.

Алгоритми навчання без нагляду включають алгоритми кластеризації та асоціації, такі як:

• Апріорі,
• K-означає кластеризацію та інші алгоритми видобутку правил асоціацій.

Коли нові дані подаються в модель, вона прогнозуватиме результат як мітку класу, до якої належить вхід. Якщо мітки класу немає, буде створено новий клас.

Проходячи процес виявлення закономірностей у даних, модель сама коригує свої параметри, отже, її також називають самоорганізуючою. Кластери будуть сформовані шляхом з’ясування подібності між вхідними даними.

Наприклад, купуючи продукти в Інтернеті, якщо в кошик кладуть вершкове масло, то пропонують купувати хліб, сир тощо. Модель, що не контролюється, розглядає дані та передбачає інші атрибути, пов’язані з товаром.

Приклад навчання без нагляду

Типи неконтрольованих алгоритмів

• Алгоритм кластеризації : Методами пошуку подібності між елементами даних, такими як однакова форма, розмір, колір, ціна тощо, та групуванням їх для формування кластера є кластерний аналіз.
• Виявлення сторонніх джерел : У цьому методі набір даних - це пошук будь-яких різновидів та аномалій даних. Наприклад, система виявлення шахрайства виявляє трансакцію високої вартості на кредитній картці.
• Асоціація Правило видобутку : У цьому типі видобутку він виявляє найбільш часто зустрічаються набори предметів або асоціації між елементами. Асоціації, такі як «товари, які часто купують разом» тощо.
• Автокодери: Вхідні дані стискаються у закодовану форму і відтворюються для видалення галасливих даних. Цей прийом використовується для покращення якості зображення та відео.

# 3) Підкріплення навчання

При цьому типі навчання алгоритм навчається за допомогою механізму зворотного зв’язку та минулого досвіду. Завжди бажано, щоб кожен крок в алгоритмі робився для досягнення мети.

Отже, щоразу, коли потрібно зробити наступний крок, він отримує зворотний зв’язок із попереднього кроку, разом із досвідом досвіду, щоб передбачити, що може бути наступним найкращим кроком. Цей процес також називають процесом спроб і помилок для досягнення мети.

Підкріплення навчання - це довготривалий ітераційний процес. Чим більше кількість відгуків, тим точнішою стає система. Навчання базовим підкріпленням також називається Марковським рішенням.

Приклад навчання підкріплення

Прикладом підкріплення навчання є відеоігри, де гравці проходять певні рівні гри та отримують бали винагороди. Гра забезпечує зворотний зв'язок з гравцем за допомогою бонусних ходів для покращення його / її продуктивності.

Підсилення Навчання використовується при навчанні роботів, автомобілів, що керують самостійно, автоматичного управління запасами тощо.

Деякі популярні алгоритми підкріплення навчання включають:

• Q-навчання,
• Глибокі змагальні мережі
• Часова різниця

Малюнок нижче описує механізм зворотного зв'язку підкріпленого навчання.

1. Вхідні дані спостерігає агент, який є елементом ШІ.
2. Цей агент ШІ діє на навколишнє середовище відповідно до прийнятого рішення.
3. Реакція середовища надсилається ШІ у вигляді винагороди у відповідь.
4. Також зберігаються стан і дії, що здійснюються на навколишнє середовище.

(зображення джерело )

Реальний приклад навчання під наглядом та без нагляду

Для контрольованого навчання:

# 1) Візьмемо приклад кошика з овочами з цибулею, морквою, редькою, помідорами тощо, і ми можемо розташувати їх у формі груп.

# два) Ми створюємо таблицю навчальних даних, щоб зрозуміти Навчане навчання.

Таблиця навчальних даних характеризує овочі на основі:

• Форма
• Колір
• Розмір

Коли ця таблиця навчальних даних подається на машину, вона будує логічну модель, використовуючи форму, колір, розмір овоча тощо, щоб передбачити результат (овоч).

Оскільки до цієї моделі надходить новий вхід, алгоритм буде аналізувати параметри та виводити назву фрукта.

Для навчання без нагляду:

При неконтрольованому навчанні він створює групи або кластери на основі атрибутів. У наведеному вище зразку набору даних параметром овоча є:

# 1) Форма

Овочі групуються за формою.

• Круглий: Цибуля і помідор.
• Циліндричний: Редька і Морква.

Візьміть інший параметр, такий як розмір.

# 2) Розмір

Овочі групуються залежно від розміру та форми:

• Середнього розміру та круглої форми: Помідор
• Великий розмір і кругла форма: Цибуля

При неконтрольованому навчанні ми не маємо набору навчальних даних та змінної результату, тоді як при контрольованому навчанні дані тренувань відомі і використовуються для навчання алгоритму.

Різниця між контрольованим проти неконтрольованого навчання

Навчання під наглядом

Підхід під наглядом під наглядом включає як марковані, так і немарковані дані навчання. Цей тип навчання корисний, коли важко витягнути корисні функції з немаркованих даних (контрольований підхід), а експертам з даних важко позначити вхідні дані (неконтрольований підхід).

Лише невелика кількість маркованих даних у цих алгоритмах може призвести до точності моделі.

Приклади до напівконтрольованого навчання належать КТ та МРТ, де медичний експерт може позначити кілька пунктів у сканах на будь-яке захворювання, тоді як важко позначити всі скани.

Висновок

Завдання машинного навчання в цілому класифікуються на завдання під наглядом, без нагляду, напівконтролю та посилення.

Навчання під контролем - це навчання за допомогою маркованих даних. Алгоритми ML забезпечуються навчальним набором даних, в якому для кожних вхідних даних відомі вихідні дані для прогнозування майбутніх результатів.

Ця модель відрізняється високою точністю та швидкістю, але для її створення потрібні знання та досвід. Крім того, ці моделі вимагають відновлення, якщо дані змінюються. Такі завдання МЛ, як регресія та класифікація, виконуються в контрольованому навчальному середовищі.

безкоштовний DVD Ripper для Windows 8

Навчання без нагляду здійснюється без допомоги керівника. Вхідні дані, що надходять до алгоритмів ML, не позначаються, тобто для кожного входу невідомі вихідні дані. Сам по собі алгоритм з’ясовує тенденції та закономірності у вхідних даних та створює зв’язок між різними атрибутами вхідних даних.

Цей тип навчання корисний для пошуку закономірностей у даних, створення кластерів даних та аналізу в реальному часі. Такі завдання, як кластеризація, алгоритми KNN тощо, підпадають під навчання без нагляду.

Навчальні завдання під наглядом - перевага як керованих, так і некерованих алгоритмів, передбачаючи результати, використовуючи як марковані, так і немарковані дані. Навчання підкріплення - це тип механізму зворотного зв’язку, коли машина вчиться на постійному зворотному зв’язку з навколишнім середовищем для досягнення своєї мети.

У цьому типі навчання агенти ШІ виконують деякі дії з даними, і оточення дає винагороду. Підсилення навчання використовується в багатокористувацьких іграх для дітей, самохідних автомобілях тощо.

Слідкуйте за нашим майбутнім посібником, щоб дізнатись більше про машинне навчання та штучну нейронну мережу!

=> Відвідайте тут ексклюзивну серію машинного навчання

Рекомендована література

• Видобуток даних проти машинного навчання проти штучного інтелекту проти глибокого навчання
• 11 Найпопулярніших програмних засобів машинного навчання в 2021 році
• Підручник з машинного навчання: Вступ до ML та його застосування
• Типи даних Python
• Типи даних C ++
• Види ризиків у програмних проектах
• Типи тестування на міграцію: зі сценаріями тестування для кожного типу
• 15 найкращих систем управління навчанням (LMS року 2021)