Introduzione ai tipi di algoritmi di apprendimento automatico
I tipi di algoritmo di Machine Learning o i calcoli AI sono programmi (matematica e motivazioni) che si modificano per ottenere prestazioni migliori man mano che vengono presentati a più informazioni. L '"adattamento" di una parte dell'IA implica che quei progetti cambiano il modo in cui elaborano le informazioni dopo un po' di tempo, così come le persone cambiano il modo in cui elaborano le informazioni apprendendo. Quindi un apprendimento automatico o un calcolo AI è un programma con un metodo particolare per modificare i propri parametri, date le critiche sulle aspettative passate di esibire in passato su un set di dati.
Tutti i tipi di algoritmi di apprendimento automatico
Le loro certe varietà di come caratterizzare i tipi di algoritmi di Machine Learning Algoritmi, ma di solito possono essere suddivise in classi secondo la loro motivazione e le classificazioni fondamentali sono le seguenti:
- Apprendimento supervisionato
- Apprendimento senza supervisione
- Apprendimento semi-supervisionato
- Insegnamento rafforzativo
Che cos'è l'apprendimento supervisionato
L'apprendimento supervisionato è, dove puoi considerare che l'apprendimento è guidato da un istruttore. Abbiamo un set di dati che funziona come educatore e il suo compito è preparare il modello o la macchina. Quando viene preparato, il modello può iniziare ad accontentarsi di un'aspettativa o di una scelta quando gli vengono fornite nuove informazioni.
Esempio di apprendimento supervisionato:
- Ottieni molte fotografie con i dati su ciò che c'è su di esse e successivamente ti alleni un modello per percepire nuove fotografie.
- Hai molti dati sui prezzi delle case in base alle loro dimensioni e posizione e li inserisci nel modello e li formi, quindi puoi prevedere il prezzo di altre case in base ai dati che dai.
- se vuoi prevedere che il tuo messaggio è spam o non basato su un messaggio precedente, puoi prevedere che un nuovo messaggio è spam o meno.
L'algoritmo di apprendimento supervisionato è il seguente:
1) Regressione lineare
la regressione lineare è utile per scoprire la connessione tra due fattori persistenti. Uno è un predittore o una variabile autonoma e l'altro è una variabile di reazione o di reparto. Cerca una relazione misurabile ma non una relazione deterministica. Si dice che la connessione tra due fattori sia deterministica all'occorrenza che una variabile può essere comunicata con precisione dall'altra. Ad esempio, utilizzando la temperatura in gradi Celsius è concepibile prevedere con precisione Fahrenheit. La relazione fattuale non è precisa nel decidere una connessione tra due fattori. Ad esempio, connessione da qualche parte nella gamma di altezza e peso. Il pensiero centrale è quello di ottenere una linea che si adatti meglio alle informazioni. La linea più adatta è quella per cui l'errore di previsione totale (tutte le informazioni si concentra) è il minimo che ci si potrebbe aspettare dalle circostanze. L'errore è la separazione tra il punto e la linea di regressione.
2) Alberi decisionali
Un albero decisionale è un gadget di aiuto decisionale che utilizza un diagramma ad albero o un modello di decisioni e i loro potenziali risultati, inclusi risultati di eventi casuali, costi delle risorse e utilità. Esplora l'immagine per ottenere un sentimento di ciò che assomiglia.
3) Classificazione Naive Bayes
Naive Bayes classifica un gruppo di classificatori probabilistici di base dipendenti dall'applicazione della teoria di Bayes con forte (non sofisticato) autogoverno le caratteristiche Naive Bayes. Questa classificazione Alcuni dei modelli certificabili sono:
Per contrassegnare un'e-mail come spam o non spam
Ordina una notizia su innovazione, questioni governative o sport
Controllare un tocco di sostanza che trasmette emozioni positive o sentimenti negativi?
Utilizzato per la programmazione del riconoscimento facciale.
4) Regressione logistica
La regressione logistica è un metodo fattuale innovativo per dimostrare un risultato binomiale con almeno un fattore informativo. Quantifica la connessione tra la variabile di reparto assoluta e almeno un fattore libero valutando le probabilità utilizzando una capacità logistica, che è l'appropriazione logistica combinata.
Normalmente, le regressioni saranno utilizzabili nella vita reale come:
Punteggio di credito
La misura del tasso di successo del mercato o dell'azienda
Per prevedere le entrate di qualsiasi azienda o prodotto
Ci sarà un terremoto in qualsiasi giorno?
5) Regressione ordinaria dei minimi quadrati
I minimi quadrati sono una strategia per eseguire la regressione diretta. la regressione diretta è l'impresa di adeguare una linea attraverso molti focus. Esistono varie procedure potenziali per eseguire questa operazione e il sistema dei "minimi quadrati ordinari" funziona in questo modo: è possibile tracciare una linea e, successivamente, per tutti i data center, misurare il distacco verticale tra il punto e la linea e incorporarli su; la linea montata sarebbe il posto in cui questo aggregato di partizioni è tanto scarso quanto potrebbe essere normale alla luce della situazione attuale.
Che cos'è l'apprendimento non supervisionato?
Il modello apprende attraverso la percezione e scopre le strutture nelle informazioni. Quando al modello viene assegnato un set di dati, di conseguenza vengono scoperti esempi e connessioni nel set di dati creando gruppi in esso. Quello che non può fare è aggiungere segni al grappolo, simile al fatto che non può dichiarare questo un raccolto di mele o mango, tuttavia, isolerà ognuna delle mele dai mango.
Supponiamo di aver mostrato al modello immagini di mele, banane e mango, quindi cosa fa, alla luce di alcuni esempi e connessioni, rende i gruppi e le partizioni il set di dati in quei gruppi. Attualmente se un'altra informazione viene rafforzata nel modello, la aggiunge a uno dei gruppi creati.
Esempio di apprendimento non supervisionato
- Hai un sacco di fotografie di 6 persone senza dati su chi sia su quale e devi isolare questo set di dati in 6 cumuli, ognuno con le fotografie di una persona.
- Hai delle particelle, alcune di esse sono farmaci e altre non lo sono, tuttavia non ti rendi conto di quale sarà quale e hai bisogno del calcolo per trovare i farmaci.
L'algoritmo di apprendimento senza supervisione è il seguente
Clustering
Il clustering è un'idea significativa per quanto riguarda l'apprendimento senza aiuto. Per la maggior parte, riesce a trovare una struttura o un esempio in una raccolta di informazioni non categorizzate. I calcoli del cluster elaboreranno le tue informazioni e scopriranno i cluster (gruppi) caratteristici nel caso in cui esistano nelle informazioni. Puoi anche modificare il numero di grappoli che i tuoi calcoli dovrebbero distinguere. Ti consente di modificare la granularità di questi incontri.
Esistono vari tipi di cluster che è possibile utilizzare
- Selettivo (ripartizione)
- Modello: K-significa
- agglomerante
- Modello: clustering gerarchico
- copertura
- Modello: Fuzzy C-Means
- probabilistica
Tipi di algoritmo di clustering
- Clustering gerarchico
- K significa clustering
- K-NN (k vicini più vicini)
- Analisi del componente principale
- Decomposizione del valore solitario
- Analisi dei componenti indipendenti
- Clustering gerarchico
Clustering gerarchico
Il clustering gerarchico è un calcolo che costruisce un ordine di gruppi di beccare. Si inizia con tutte le informazioni che vengono distribuite al proprio gruppo. Qui, due gruppi vicini saranno in un gruppo simile. Questo calcolo si chiude quando rimane solo un gruppo.
K significa clustering
K significa che è un calcolo iterativo di raggruppamento che ti incoraggia a individuare l'incentivo più degno di nota per ogni enfasi. Inizialmente, viene scelto il numero ideale di gruppi. In questa tecnica di raggruppamento, devi raggruppare le informazioni che si concentrano su k incontri. Una k più grande significa anche riunioni più piccole con maggiore granularità. Una k più bassa significa riunioni più grandi con meno granularità.
La resa del calcolo è una raccolta di "nomi". Permette alle informazioni di puntare a una delle riunioni k. Nel cluster k-mean, ogni incontro è caratterizzato dalla creazione di un centroide per ciascun incontro. I centroidi sono come il nucleo del mazzo, che cattura i fuochi più vicini a loro e li aggiunge al gruppo.
Il clustering K-mean caratterizza ulteriormente due sottogruppi
- Cluster agglomerativo
- dendrogram
Cluster agglomerativo
Questo tipo di clustering K-significa inizia con un numero fisso di grappoli. Indica tutte le informazioni in un numero preciso di gruppi. Questa strategia di clustering non richiede il numero di gruppi K come informazioni. La procedura di agglomerazione inizia modellando ogni dato come un gruppo solitario.
Questa strategia utilizza una misura di separazione, riduce il numero di grappoli (uno in ogni enfasi) combinando il processo. In conclusione, abbiamo un gruppo principale che contiene tutti gli articoli.
dendrogram
Nella tecnica di raggruppamento Dendrogram, ogni livello parlerà a un gruppo concepibile. L'altezza del dendrogramma dimostra il grado di similitudine tra due gruppi di giunti. Più vicini alla base della procedura sono gruppi progressivamente comparabili che stanno trovando la raccolta dal dendrogramma che non è caratteristica e per la maggior parte astratta.
K-vicini più vicini
Il vicino più vicino a K è il più semplice di tutti i classificatori AI. Varia dalle altre procedure di intelligenza artificiale, in quanto non fornisce un modello. È un calcolo semplice che memorizza ogni singolo caso accessibile e caratterizza nuovi esempi dipendenti da una misura di somiglianza.
Funziona molto bene quando c'è una separazione tra i modelli. Il tasso di apprendimento è moderato quando il set di preparazione è enorme e la rappresentazione della separazione non è banale.
Analisi delle componenti principali
Sulle possibilità che tu abbia bisogno di uno spazio di dimensioni superiori. Devi scegliere una ragione per quello spazio e solo i 200 punteggi più significativi di quella premessa. Questa base è nota come componente principale. Il sottoinsieme selezionato comprende un altro spazio di piccole dimensioni in contrasto con uno spazio unico. Mantiene comunque gran parte della poliedrica natura delle informazioni come ci si potrebbe aspettare.
Che cos'è l'apprendimento per rinforzo?
È la capacità di uno specialista di collaborare con la terra e scoprire qual è il risultato migliore. Persegue l'idea di hit e tecnica preliminare. L'operatore viene retribuito o punito con un punto per una risposta giusta o off-base e sulla base dei premi positivi focalizzati sui modelli di treni stessi. Inoltre, una volta preparato, si prepara a prevedere le nuove informazioni introdotte.
Esempio di apprendimento di rinforzo
- La visualizzazione degli annunci, secondo l'utente come antipatie ottimizza per il lungo periodo
- Conoscere il budget degli annunci utilizzato in tempo reale
- rinforzo inverso imparando a conoscere meglio i clienti come le antipatie
Che cos'è l'apprendimento semi supervisionato?
Apprendimento semi-supervisionato, il calcolo è preparato su un mix di informazioni nominate e senza etichetta. Normalmente, questa miscela conterrà una quantità limitata di informazioni denominate e molte informazioni senza etichetta. Il metodo fondamentale incluso è che, prima, l'ingegnere del software raggrupperà informazioni comparabili utilizzando un calcolo di apprendimento senza aiuto e successivamente utilizzerà le informazioni nominate correnti per nominare il resto delle informazioni senza etichetta. Le istanze di uso ordinario di questo tipo di calcolo hanno tra loro una proprietà tipica: l'ottenimento di informazioni senza etichetta è generalmente modesto mentre la denominazione di tali informazioni è eccessivamente costosa. Naturalmente, si possono immaginare i tre tipi di calcoli di apprendimento come supervisione realizzando dove un sostituto è sotto la supervisione di un istruttore sia a casa che a scuola, non supervisionato realizzando dove un sostituto ha bisogno di dare un senso a un'idea stessa e semi-supervisionato realizzando dove un l'educatore mostra un paio di idee in classe e fa domande come compiti scolastici che dipendono da idee comparabili.
Esempio di apprendimento semi supervisionato
È sorprendente che più informazioni = modelli di migliore qualità nell'apprendimento profondo (fino a un determinato punto di confinamento chiaramente, ma il più delle volte non abbiamo così tante informazioni). Sia come sia, ottenere informazioni contrassegnate è costoso. Nel caso in cui sia necessario preparare un modello per distinguere gli animali alati, è possibile impostare molte telecamere per conseguentemente scattare foto di polli. Questo è generalmente modesto. Contrarre le persone per contrassegnare quelle foto è costoso. Considera la possibilità di avere un numero enorme di immagini di animali alati, tuttavia contatta solo le persone per contrassegnare un piccolo sottoinsieme delle foto. Come si è scoperto, piuttosto che semplicemente addestrare i modelli sul sottoinsieme contrassegnato, è possibile pre-addestrare il modello sull'intero set di addestramento, prima di modificarlo con il sottoinsieme denominato e mostrare segni di esecuzione del miglioramento lungo queste linee. Questo è un apprendimento semi-supervisionato. Mette da parte i tuoi soldi.
Conclusione
Esistono molti tipi di algoritmo di apprendimento automatico e, sulla base di condizioni diverse, dobbiamo utilizzare l'algoritmo più adatto per il miglior risultato. Esistono molti algoritmi che trovano la migliore accuratezza di ogni tipo di algoritmo di apprendimento automatico e quale è la massima accuratezza che dobbiamo usare quell'algoritmo. Siamo in grado di ridurre al minimo l'errore di ciascun algoritmo riducendo il rumore nei dati. Alla fine, dirò che non esiste un singolo algoritmo di apprendimento automatico in grado di darti una precisione del 100 percento, anche il cervello umano non può farlo, quindi trova il miglior algoritmo di abete per i tuoi dati.
Articoli consigliati
Questa è una guida ai tipi di algoritmi di apprendimento automatico. Qui discutiamo cos'è l'algoritmo di apprendimento automatico? E i suoi tipi includono apprendimento supervisionato, apprendimento non supervisionato, apprendimento semi-supervisionato, apprendimento di rinforzo. Puoi anche consultare i seguenti articoli per saperne di più -
- Metodi di apprendimento automatico
- Librerie di apprendimento automatico
- Modelli di apprendimento automatico
- Quadri di apprendimento automatico
- Apprendimento automatico iperparametro
- Clustering gerarchico Clustering agglomerativo e divisivo
- Crea albero decisionale | Come creare | vantaggi
- Ciclo di vita dell'apprendimento automatico | Le 8 fasi principali