www.machinelearningmastery.ru

Машинное обучение, нейронные сети, искусственный интеллект
Header decor

Home

Под наблюдением, без присмотра и глубокое обучение

Дата публикации May 7, 2017

Машинное обучение стало или должно стать важной отраслью искусственного интеллекта и, в частности, компьютерных наук, поэтому специалист по данным является очень востребованным профилем. Сегодня каждый может взять некоторые инструменты машинного обучения, такие как TensorFlow или другие, и начать писать код и говорить «Эх, я написал свой бла-бла с функциями машинного обучения…», но без знания работы этих алгоритмов очень просто сделать огромные ошибки. Поэтому очень важно понять основы машинного обучения, а затем выстроить другие навыки.

Это вступление во-первых, чтобы вспомнить это мне.


Давайте начнем с основ: одним из первых понятий в машинном обучении является разница между контролируемым, неконтролируемым и глубоким обучением.

Контролируемое обучение

Контролируемое обучение является наиболее распространенной формой машинного обучения. При контролируемом обучении набор примеров, обучающий набор, подается в качестве входных данных в систему на этапе обучения. Каждый вход помечен с желаемым выходным значением, таким образом, система знает, как выход, когда вход поступает. Например, рассмотрим некоторые экспериментальные наблюдения, которые можно классифицировать на N различных классов. Таким образом, у нас есть обучающий набор (последовательность пар) {(x1, y1), (x2, y2)… .. (xn, yn)}, где xi - вход, а yi - класс соответствующего выхода. Обучение выполняется путем минимизации конкретной функции стоимости, которая представляет привязку из входных данных xi и желаемого выходного значения yi.

Схема контролируемого обучения

Типичным примером контролируемого приложения машинного обучения является детектор почтового спама, этот алгоритм был обучен с использованием некоторого спама, а не спам-писем и к какой группе они принадлежат. Этот учебный процесс продолжается, когда вы помечаете письмо как «спам» или когда вы помечаете письмо как «не спам» из папки спама.

Неконтролируемое обучение

С другой стороны, неконтролируемое обучение, учебные примеры, предоставляемые системой, не помечены соответствующим классом. Таким образом, система разрабатывает и систематизирует данные, ищет общие характеристики среди них и изменяется на основе внутренних знаний.

Неконтролируемая схема обучения

Примером неконтролируемого обучения является кластеризация классификации: алгоритм пытается поместить сходные вещи в кластер и разнородные в другой кластер, и понятие сходства зависит от меры сходства.

Глубокое обучение

Техника глубокого обучения (DL) представляет собой огромный шаг вперед для машинного обучения. DL основан на том, как человеческий мозг обрабатывает информацию и учится. Он состоит из модели машинного обучения, состоящей из нескольких уровней представления, в которых каждый уровень использует информацию из предыдущего уровня для глубокого изучения. Каждый уровень соответствует, в этой модели, другой области коры головного мозга, и каждый уровень абстрагирует больше информации, аналогичной человеческому мозгу.

Схема глубокого обучения

Ссылки:

  • Машинное обучение в действии - Питер Харрингтон
  • Начало работы с TensorFlow - Джанкарло Закконе

Оригинальная статья

Footer decor

© www.machinelearningmastery.ru | Ссылки на оригиналы и авторов сохранены. | map