Η μηχανική μάθηση είναι μια τεχνική που διδάσκει στους υπολογιστές να μαθαίνουν μοτίβα δεδομένων εισόδου και να προβλέπουν τα αποτελέσματα. Υπάρχουν πολλοί αλγόριθμοι που εφαρμόζονται και χρησιμοποιούνται για τη μηχανική μάθηση, όπως Decision Tree, Linear Regression, Naïve Bayes, ANN(Artificial Νευρωνικό Δίκτυο) και πολλά άλλα.
Ένας κύριος σκοπός της χρήσης αλγορίθμων μηχανικής μάθησης με μεγάλα δεδομένα είναι:
Βρείτε τις κρυφές σχέσεις ή μοτίβα από σύνολα δεδομένων
Περισσότερα για τη Μηχανική Εκμάθηση με ένα εύκολο παράδειγμα:
2. Τι είναι το AI (Τεχνητή Νοημοσύνη);
Το AI (Τεχνητή Νοημοσύνη) είναι ένα πεδίο μελέτης, που συνδυάζει την επιστήμη των υπολογιστών και μεγάλα και ισχυρά σύνολα δεδομένων, για να επιτρέψει την επίλυση προβλημάτων για τη βελτιστοποίηση της επιχειρηματικής απόδοσης και του τρόπου ζωής μας. Γενικά, η τεχνητή νοημοσύνη καλύπτει υποπεδία της Μηχανικής Μάθησης και της Βαθιάς Μάθησης, τα οποία αναφέρονται συχνά μαζί με την τεχνητή νοημοσύνη.
Ως εκ τούτου, το AI (Τεχνητή Νοημοσύνη) είναι μια μεγαλύτερη ιδέα για τη δημιουργία έξυπνων μηχανών που μπορούν να προσομοιώσουν την ανθρώπινη σκέψη και συμπεριφορά από τη λήψη αποφάσεων, ενώ η Μηχανική μάθηση είναι μια εφαρμογή ή υποσύνολο του AI που επιτρέπει στις μηχανές να μαθαίνουν και να εκπαιδεύονται από Big Data ή μεγάλα σύνολα δεδομένων.
3. Τύποι Μηχανικής Μάθησης
Η Μηχανική Μάθηση χωρίζεται σε 3 αντιπροσωπευτικούς κλάδους: Εποπτευόμενη μάθηση, Μη εποπτευόμενη μάθηση και Ενισχυτική μάθηση.
Εποπτευόμενη μάθηση
- Οπισθοδρόμηση
- Ταξινόμηση
Η εποπτευόμενη μάθηση είναι ένας αλγόριθμος με δεδομένα εισόδου με ετικέτα, που σημαίνει ότι γνωρίζουμε ήδη ποια είδη δεδομένων εισόδου, συμπεριλαμβανομένων των χαρακτηριστικών και του στόχου, θα εκπαιδευτούν και θα δοκιμαστούν για συγκεκριμένους αλγόριθμους μηχανικής εκμάθησης. Ως εποπτευόμενη μάθηση, ο αλγόριθμος μπορεί να κάνει προβλέψεις ή ταξινομήσεις με πρόσφατα εισαγόμενα και αόρατα δεδομένα σε μια αντιστοίχιση ή μια σχέση.
Μάθηση χωρίς επίβλεψη
- Ομαδοποίηση
- Σχέση
Από την άλλη πλευρά, η Unsupervised Learning είναι ένας αλγόριθμος με δεδομένα εισόδου χωρίς ετικέτα, που σημαίνει ότι ΔΕΝ γνωρίζουμε προκαθορισμένα χαρακτηριστικά και μεταβλητή στόχου. Όταν πρόκειται για την ανάλυση άγνωστων δεδομένων χωρίς ετικέτες, στοχεύουμε κυρίως στην εύρεση κρυμμένων μοτίβων, δομών ή σχέσεων με κοινές ομοιότητες. Για παράδειγμα, τα δεδομένα μπορούν να εξερευνήσουν και να αναγνωρίσουν εγγενείς συστάδες με βάση την ανομοιότητα και την ομοιότητα των δεδομένων του δείγματος.
Περισσότερες λεπτομέρειες σχετικά με την εποπτευόμενη και μη εποπτευόμενη μηχανική εκμάθηση με ένα εύκολο παράδειγμα:
Ενισχυτική Μάθηση
- Διαδικτυακή μάθηση
- Εκμάθηση εκτός Διαδικτύου
- Χωρίς μοντέλο
- Με βάση το μοντέλο
Η κύρια διαφορά από την εποπτευόμενη και τη μη εποπτευόμενη μάθηση είναι ότι η Ενισχυτική μάθηση μαθαίνει από την εξερεύνηση, ενώ η εποπτευόμενη και η μη εποπτευόμενη μάθηση μαθαίνουν από ένα στατικό σύνολο δεδομένων. Ο στόχος της Ενισχυτικής Μάθησης είναι η μεγιστοποίηση της Ανταμοιβής (Θετική Ανατροφοδότηση).
Η Ενισχυτική Μάθηση εκτελείται με τη διαδικασία ανατροφοδότησης, όπου το AI (στοιχεία λογισμικού, που ονομάζονται κυρίως πράκτορες) εξερευνά αυτόματα και λειτουργεί το περιβάλλον και το περιβάλλον του αναλαμβάνοντας ενέργειες, δοκιμές, μαθαίνοντας από τις εμπειρίες και βελτιώνοντας την απόδοσή του μετά από ανατροφοδότηση, τα οποία χωρίζονται σε 2 φάσεις — Ανταμοιβή και τιμωρία.
- Μάθηση θετικής ενίσχυσης (ανταμοιβή):Προσδιορίζει την τάση ότι η απαιτούμενη συμπεριφορά θα εμφανιζόταν ξανά με θετικές ανταμοιβές ενισχύοντας τις συμπεριφορές του πράκτορα.
- Τιμωρία (Αρνητική Ενίσχυση):Λειτουργεί αντίθετα από την Εκμάθηση Θετικής Ενίσχυσης, η οποία αυξάνει την τάση των συμπεριφορών αποφεύγοντας τις αρνητικές συνθήκες όπως η τιμωρία.
4. 10 μοντέλα για αλγόριθμους μηχανικής μάθησης
Υπάρχουν περισσότεροι από 100 αλγόριθμοι μηχανικής μάθησης, οι οποίοι χρησιμοποιούνται για την εκπαίδευση συνόλων δεδομένων και την πραγματοποίηση προβλέψεων για την απόκτηση επιχειρηματικών πληροφοριών σε πραγματικούς κόσμους. Θα εξηγήσω 10 κοινά χρησιμοποιούμενα μοντέλα μηχανικής μάθησης με βάση κάθε έννοια.
Γραμμικά μοντέλα (Εποπτευόμενα: Ταξινόμηση / Παλινδρόμηση)
- Γραμμικής παλινδρόμησης
- Logistic Regression
- SVM (Support Vector Machine)
- Ο αφελής Bayes
Γραμμικό και Μη Γραμμικό Μοντέλο
- ANN (Τεχνητό Νευρωνικό Δίκτυο)
- CNN (Συνελικτικό Νευρωνικό Δίκτυο)
Μοντέλα που βασίζονται σε δέντρα (Εποπτευόμενα: Ταξινόμηση / Παλινδρόμηση)
- Δέντρο απόφασης
- Τυχαίο Δάσος
Μοντέλα εξ αποστάσεως (κυρίως, μάθηση χωρίς επίβλεψη)
- Κ-σημαίνει
- KNN
