3 τύποι Machine Learning - dummies

< Η μηχανική μάθηση έρχεται σε πολλές διαφορετικές γεύσεις, ανάλογα με τον αλγόριθμο και τους στόχους του. Μπορείτε να διαχωρίσετε τους αλγόριθμους μηχανικής μάθησης σε τρεις κύριες ομάδες βάσει του σκοπού τους:

Εποπτευόμενη μάθηση

• Εκπαίδευση χωρίς εποπτεία
• Εκπαιδευτική μάθηση
• Εποπτευόμενη μάθηση

δεδομένα και σχετικές απαντήσεις στο στόχο που μπορούν να συνίστανται σε αριθμητικές τιμές ή ετικέτες συμβολοσειρών, όπως κλάσεις ή ετικέτες, προκειμένου να προβλεφθεί αργότερα η σωστή απάντηση όταν τίθενται με νέα παραδείγματα. Η εποπτευόμενη προσέγγιση είναι πράγματι παρόμοια με την ανθρώπινη μάθηση υπό την επίβλεψη ενός δασκάλου. Ο δάσκαλος παρέχει καλά παραδείγματα για να απομνημονεύσει ο σπουδαστής και ο σπουδαστής στη συνέχεια αποκτά γενικούς κανόνες από αυτά τα συγκεκριμένα παραδείγματα.

Θα πρέπει να διακρίνετε μεταξύ των προβλημάτων παλινδρόμησης, των οποίων ο στόχος είναι αριθμητική τιμή, και των προβλημάτων ταξινόμησης, των οποίων ο στόχος είναι μια ποιοτική μεταβλητή, όπως μια κλάση ή μια ετικέτα. Ένα έργο παλινδρόμησης καθορίζει τις μέσες τιμές των κατοικιών στην περιοχή της Βοστόνης και μια εργασία ταξινόμησης διακρίνει μεταξύ των ειδών λουλουδιών ίριδας με βάση το σέπαλ και τα πέταλα.

Εκπαίδευση χωρίς εποπτεία

εμφανίζεται όταν ένας αλγόριθμος μαθαίνει από απλά παραδείγματα χωρίς σχετική απόκριση, αφήνοντας στον αλγόριθμο τον προσδιορισμό των μοτίβων δεδομένων από μόνο του. Αυτός ο τύπος αλγορίθμου τείνει να αναδιαρθρώσει τα δεδομένα σε κάτι άλλο, όπως νέα χαρακτηριστικά που μπορεί να αντιπροσωπεύουν μια κλάση ή μια νέα σειρά μη συσχετισμένων αξιών. Είναι πολύ χρήσιμα για την παροχή στους ανθρώπους της γνώσης σχετικά με την έννοια των δεδομένων και νέων χρήσιμων εισροών στους εποπτευόμενους αλγόριθμους μηχανικής μάθησης.

Ο αλγόριθμος αυτοματοποίησης μάρκετινγκ αντλεί τις προτάσεις του από αυτά που έχετε αγοράσει στο παρελθόν. Οι συστάσεις βασίζονται σε μια εκτίμηση για την ομάδα πελατών που μοιάζει περισσότερο και στη συνέχεια συνάγετε τις πιθανές προτιμήσεις σας με βάση αυτήν την ομάδα. Εκπαιδευτική ενίσχυση

Εκπαιδευτική ενίσχυση

εμφανίζεται όταν παρουσιάζετε τον αλγόριθμο με παραδείγματα που στερούνται ετικέτες, όπως στην εκπαίδευση χωρίς επίβλεψη. Ωστόσο, μπορείτε να συνοδεύσετε ένα παράδειγμα με θετική ή αρνητική ανατροφοδότηση σύμφωνα με τη λύση που προτείνει ο αλγόριθμος.Η μάθηση ενδυνάμωσης συνδέεται με εφαρμογές για τις οποίες ο αλγόριθμος πρέπει να λαμβάνει αποφάσεις (έτσι το προϊόν είναι συντακτικό, όχι μόνο περιγραφικό, όπως στη μη εποπτευόμενη μάθηση) και οι αποφάσεις έχουν συνέπειες. Στον ανθρώπινο κόσμο, είναι ακριβώς όπως η μάθηση με δοκιμασία και λάθος.

Τα σφάλματα σας βοηθούν να μάθετε γιατί έχουν προστιθέμενη ποινή (κόστος, απώλεια χρόνου, λύπη, πόνο κ.ο.κ.), διδάσκοντάς σας ότι μια συγκεκριμένη πορεία δράσης είναι λιγότερο πιθανή να πετύχει από άλλους. Ένα ενδιαφέρον παράδειγμα ενίσχυσης της μάθησης συμβαίνει όταν οι υπολογιστές μαθαίνουν να παίζουν τα παιχνίδια από μόνες τους.

Σε αυτή την περίπτωση, μια εφαρμογή παρουσιάζει τον αλγόριθμο με παραδείγματα συγκεκριμένων καταστάσεων, όπως το να έχει ο παίκτης κολλημένος σε έναν λαβύρινθο αποφεύγοντας έναν εχθρό. Η εφαρμογή επιτρέπει στον αλγόριθμο να γνωρίζει το αποτέλεσμα των ενεργειών που παίρνει και η εκμάθηση συμβαίνει προσπαθώντας να αποφύγει αυτό που ανακαλύπτει ότι είναι επικίνδυνο και επιδιώκει την επιβίωση. Μπορείτε να ρίξετε μια ματιά στο πώς η εταιρεία Google DeepMind δημιούργησε ένα πρόγραμμα μάθησης ενίσχυσης που παίζει τα παλιά βιντεοπαιχνίδια του Atari. Όταν παρακολουθείτε το βίντεο, παρατηρήστε πως το πρόγραμμα είναι αρχικά αδέξια και ανειδίκευτο, αλλά βελτιώνεται σταθερά με την εκπαίδευση μέχρι να γίνει πρωταθλητής.