Люди слишком мало дорожат случаем доставить радость ближнему (Лабрюйер).

Машинное обучение для чайников — объяснение за 3 минуты!1 мин для чтения

Главное меню » Статьи » Машинное обучение для чайников — объяснение за 3 минуты!

06.10.2020

Эта статья предназначена исключительно для аудитории, которая не знает, что за хрень это машинное обучение (ML)? Для тех, кто чувствует себя обделенным, когда видят, что люди говорят об этом.

Вам совсем не обязательно иметь технический опыт. Уверяю вас, после прочтения этой статьи у вас будет достаточно информации, чтобы принять участие в обычных беседах о машинном обучении.

Так что же это за машинное обучение, а?

Начиная с широкого определения ML — это…

Машины, имитирующие и адаптирующие человеческое поведение.

Как именно?

Например, позвольте мне задать вам викторину…

3–9
4–16
8–64
9 -?

Как вы попали в 81 ???

Именно такому поведению мы пытаемся научить машины. Мы пытаемся научить машины «учиться на опыте».

Алгоритмы машинного обучения используют вычислительные методы для «изучения» информации непосредственно из данных, не полагаясь на заранее определенное уравнение в качестве модели.
Алгоритмы адаптивно улучшают свою производительность по мере увеличения количества образцов, доступных для обучения.

Печально известные алгоритмы машинного обучения находят естественные закономерности в данных, получают информацию и предсказывают неизвестное для принятия лучших решений.

Итак, каковы типы методов машинного обучения?

Есть два типа методов машинного обучения:

Контролируемое обучение
Неконтролируемое обучение

Не волнуйтесь! Один шаг за раз.

Обучение с учителем:

Находит закономерности (и разрабатывает прогнозные модели), используя как входные, так и выходные данные.

Все методы контролируемого обучения имеют форму классификации или регрессии.

Классификация :
Классификация используется для предсказания дискретных ответов.
Например:
Выиграет ли Россия матч по футболу или проиграет? Является ли электронное письмо СПАМОМ или ПОДЛИННЫМ?
WIN, LOSE, SPAM, GENUINE — это предопределенные классы. И выход должен попадать в эти категории в зависимости от входа.
Регрессия :
Регрессия используется для прогнозирования непрерывных ответов.
Например:
Динамика цен на фондовом рынке, прогноз погоды и т. д.

Читать Логистическая регрессия с использованием PyTorch

Обучение без учителя:

Находит шаблоны только на основе входных данных. Этот метод полезен, когда вы не совсем уверены, что искать. Часто используется для исследовательского анализа необработанных данных.

Большинство методов обучения без учителя являются формой кластерного анализа.

Кластерный анализ:
В кластерном анализе вы группируете элементы данных, которые имеют некоторую степень сходства на основе значений характеристик.
В конце у вас будет набор разных групп (допустим, таких групп от A до Z). Элемент данных (d1) в одной группе (A) очень похож на другие элементы данных (d2 — dx) в той же группе (A), но d1 значительно отличается от элементов данных, принадлежащих к разным группам (B — Z) .

Вернемся к нашему примеру…

Наша викторина была примером контролируемого обучения — методики регрессии.

Некоторые распространенные приложения машинного обучения, к которым вы можете относиться:

Ваш персональный помощник Siri или Google использует машинное обучение.
Прогноз погоды на следующую неделю осуществляется с помощью машинного обучения.
Медицинская диагностика преимущественно использует машинное обучение.
И что-то, с чем вы могли бы быть знакомы, когда-нибудь задумывались, почему медиа-сайты показывают вам рекомендации и рекламу, максимально соответствующую вашим интересам? Они также используют машинное обучение.

Надеюсь, вам понравилась эта статья. Поделитесь своими взглядами и сомнениями, если таковые имеются, в разделе комментариев ниже. Спасибо, что зашли! Пока. 🙂

Если вы нашли ошибку, пожалуйста, выделите фрагмент текста и нажмите Ctrl+Enter.

Просмотров поста: 9