Table of Contents[Kache][Montre]
Mond lan ap chanje byen vit akòz entèlijans atifisyèl, ak aprantisaj machin, ki gen yon enpak sou chak aspè nan lavi chak jou nou an.
Soti nan asistan vwa ki sèvi ak NLP ak aprantisaj machin pou pran randevou, gade evènman sou kalandriye nou an, epi jwe mizik sou aparèy ki tèlman egzak ke yo ka antisipe bezwen nou yo anvan nou menm konsidere yo.
Òdinatè yo ka jwe echèk, fè operasyon, epi devlope nan pi entelijan, machin ki pi sanble ak moun ak èd nan algoritm aprantisaj machin.
Nou nan yon moman nan pwogrè teknolojik kontinyèl, epi lè nou wè ki jan òdinatè yo te devlope nan tan, nou ka fè prediksyon sou sa ki pral rive nan lavni.
Demokratizasyon zouti ak metòd enfòmatik se youn nan aspè kle revolisyon sa a ki parèt deyò. Done syantis yo te kreye òdinatè pwisan done-crunching pandan senk dènye ane yo nan aplikasyon san efò metodoloji dènye kri. Rezilta yo se etonan.
Nan pòs sa a, nou pral gade ak anpil atansyon aprantisaj machin algoritm ak tout varyasyon yo.
Se konsa, ki sa ki algorithm aprantisaj machin?
Apwòch sistèm AI itilize pou fè travay li—anjeneral, predi valè pwodiksyon apati done yo bay yo—ke yo rekonèt kòm yon algorithm aprantisaj machin.
Yon algorithm aprantisaj machin se yon pwosesis ki itilize done epi yo itilize pou kreye modèl aprantisaj machin ki pare pou pwodiksyon an. Si aprantisaj machin se tren ki fè yon travay, Lè sa a, algoritm aprantisaj machin yo se lokomotiv ki deplase travay la ansanm.
Pi bon apwòch aprantisaj machin pou itilize yo pral detèmine pa pwoblèm biznis w ap eseye adrese a, kalite seri done w ap itilize a, ak resous ou genyen yo.
Algoritm aprantisaj machin yo se moun ki fè yon seri done nan yon modèl. Tou depan de kalite pwoblèm w ap eseye reponn, pouvwa pwosesis la ki disponib, ak kalite done ou genyen, algoritm aprantisaj sipèvize, san sipèvizyon oswa ranfòsman ka fè byen.
Se konsa, nou te pale sou aprantisaj sipèvize, san sipèvizyon, ak ranfòsman, men ki sa yo ye? Ann eksplore yo.
Aprantisaj Sipèvize, San Sipèvizyon ak Ranfòsman
Aprantisaj Sipèvize
Nan aprantisaj sipèvize, yo devlope modèl AI ki baze sou opinyon yo te bay la ak etikèt ki reprezante rezilta yo prevwa a. Baze sou entrées ak sorties, modèl la devlope yon ekwasyon kat, epi itilize kat ekwasyon sa a, li pwevwa etikèt entrées nan tan kap vini.
Ann di nou bezwen kreye yon modèl ki ka fè distenksyon ant yon chen ak yon chat. Plizyè foto chat ak chen yo manje nan modèl la ak etikèt ki endike si yo se chat oswa chen yo nan lòd yo fòme modèl la.
Modèl la ap chèche etabli yon ekwasyon ki gen rapò etikèt sou foto yo antre ak imaj sa yo. Menm si modèl la pa janm wè imaj la anvan, apre fòmasyon, li ka idantifye si li se nan yon chat oswa yon chen.
Aprantisaj san sipèvize
Aprantisaj san sipèvizyon enplike fòmasyon yon modèl AI sèlman sou opinyon san yo pa mete etikèt sou yo. Modèl la divize done yo antre an gwoup ki gen karakteristik ki gen rapò.
Lè sa a, etikèt la nan lavni nan opinyon an prevwa depann sou jan atribi li yo matche ak youn nan klasifikasyon yo. Konsidere sitiyasyon an kote nou dwe divize yon gwoup boul wouj ak ble nan de kategori.
Ann sipoze ke lòt karakteristik boul yo idantik, ak eksepsyon de koulè. Sou baz la nan ki jan li ka divize voye boul yo an de klas, modèl la gade pou karakteristik yo ki diferan ant voye boul yo.
De grap boul-yon ble ak youn wouj-yo pwodui lè voye boul yo divize an de gwoup ki baze sou ton yo.
Aprantisaj Ranfòsman
Nan aprantisaj ranfòsman, modèl AI a ap chèche maksimize pwofi an jeneral lè li aji osi byen ke li kapab nan yon sikonstans patikilye. Feedback sou rezilta anvan li yo ede modèl la aprann.
Reflechi sou senaryo a lè yo mande yon robo pou l chwazi yon wout ant pwen A ak B. Robo a chwazi youn nan kou yo dabò paske li pa gen eksperyans anvan.
Robo a resevwa opinyon sou wout li pran epi li pran konesans nan men li. Robo a ka itilize opinyon pou rezoud pwoblèm nan pwochen fwa li rankontre yon sikonstans menm jan an.
Pou egzanp, si robo a chwazi opsyon B epi li resevwa yon rekonpans, tankou fidbak pozitif, li konprann fwa sa a ke li dwe chwazi fason B pou ogmante rekonpans li.
Koulye a, finalman sa ou tout ap tann, se algoritm yo.
Gwo Algoritm aprantisaj machin
1. Regression lineyè
Apwòch aprantisaj machin ki pi senp ki devye de aprantisaj sipèvize se regression lineyè. Avèk konesans ki soti nan varyab endepandan, li se sitou itilize pou rezoud pwoblèm regresyon ak kreye prediksyon sou varyab kontinyèl depandan.
Jwenn liy ki pi bon anfòm, ki ka ede nan predi rezilta a pou varyab kontinyèl depandan, se objektif la nan regresyon lineyè. Pri kay, laj, ak salè yo se kèk egzanp valè kontinyèl.
Yon modèl ki rele senp regression lineyè itilize yon liy dwat pou kalkile asosyasyon ant yon varyab endepandan ak yon varyab depandan. Gen plis pase de varyab endepandan nan regresyon lineyè miltip.
Yon modèl regresyon lineyè gen kat sipozisyon kache:
- Linearite: Gen yon koneksyon lineyè ant X ak mwayen Y.
- Omoscedastisite: Pou chak valè X, divèjans rezidyèl la se menm bagay la.
- Endepandans: Obsèvasyon yo endepandan youn ak lòt an tèm de endepandans.
- Nòmalite: Lè X fiks, Y nòmalman distribye.
Regression lineyè fè admirab pou done ki ka separe sou liy yo. Li ka kontwole overfitting lè l sèvi avèk regilarize, kwa-validasyon, ak teknik rediksyon dimansyon. Sepandan, gen kèk ka kote yo mande anpil jeni karakteristik, ki detanzantan ka lakòz twòp ekipe ak bri.
2. Regression lojistik
Regression lojistik se yon lòt teknik aprantisaj machin ki soti nan aprantisaj sipèvize. Itilizasyon pi gwo li yo se klasifikasyon, pandan y ap li ka itilize tou pou pwoblèm regresyon.
Regression lojistik yo itilize pou prevwa varyab depandan kategorik la lè l sèvi avèk enfòmasyon ki soti nan faktè endepandan yo. Objektif la se klasifye pwodiksyon, ki ka sèlman tonbe ant 0 ak 1.
Fonksyon sigmoid la trete total pondéré entrées yo, yon fonksyon aktivasyon ki konvèti valè ant 0 ak 1.
Baz la nan regresyon lojistik se estimasyon maksimòm chans, yon metòd pou kalkile paramèt yo nan yon distribisyon pwobabilite sipoze bay done espesifik obsève.
3. Pyebwa Desizyon
Yon lòt metòd aprantisaj machin ki separe nan aprantisaj sipèvize se pye bwa desizyon an. Pou tou de pwoblèm klasifikasyon ak regresyon, yo ka itilize apwòch pye bwa desizyon an.
Zouti pou pran desizyon sa a, ki sanble ak yon pye bwa, sèvi ak reprezantasyon vizyèl pou montre rezilta posib aksyon yo, depans, ak konsekans. Lè yo divize done yo an pòsyon separe, lide a se analogue ak lespri imen an.
Done yo te divize an pati diferan otan ke nou te kapab granule li. Objektif prensipal yon Tree Desizyon se pou konstwi yon modèl fòmasyon ki ka itilize pou prevwa klas varyab sib la. Valè ki manke yo ka okipe otomatikman lè l sèvi avèk Pyebwa Desizyon an.
Pa gen okenn kondisyon pou kodaj yon sèl-piki, varyab enbesil, oswa lòt etap pretretman done. Li se rijid nan sans ke li difisil pou ajoute done fre nan li. Si ou te gen plis done ki make, ou ta dwe antrene pye bwa a sou tout seri done a.
Kòm yon rezilta, pye bwa desizyon yo se yon move chwa pou nenpòt aplikasyon ki mande chanjman modèl dinamik.
Dapre kalite varyab sib la, pye bwa desizyon yo klase an de kalite:
- Varyab kategorik: Yon Pyebwa Desizyon kote varyab objektif la se Kategori.
- Varyab kontinyèl: Yon Pyebwa Desizyon kote varyab objektif la se Kontinyèl.
4. Forest o aza
Metòd forè o aza se pwochen teknik aprantisaj machin lan e li se yon algorithm aprantisaj machin sipèvize ki itilize anpil nan pwoblèm klasifikasyon ak regresyon. Li se tou yon metòd pye bwa ki baze sou, menm jan ak yon pye bwa desizyon.
Yon forè nan pye bwa, oswa anpil pye bwa desizyon, yo itilize pa metòd la forè o aza pou fè jijman. Lè yo jere travay klasifikasyon, metòd forè o aza te anplwaye varyab kategorik pandan y ap jere travay regresyon ak done ki gen varyab kontinyèl.
Yon ansanbl, oswa melanje nan anpil modèl, se sa ki metòd forè o aza fè, ki vle di prediksyon yo fè lè l sèvi avèk yon gwoup modèl olye ke yon sèl.
Kapasite pou itilize pou tou de klasifikasyon ak pwoblèm retou, ki fè majorite nan sistèm modèn aprantisaj machin, se yon benefis kle nan forè a o aza.
Ensemble itilize de estrateji diferan:
- Bagaj: Lè w fè sa, plis done yo pwodui pou seri done fòmasyon an. Pou diminye varyasyon an nan prévisions yo, sa a se fè.
- Ranfòse se pwosesis pou konbine elèv ki fèb ak moun k ap aprann fò nan bati modèl siksesif, sa ki lakòz modèl final la ak presizyon maksimòm.
5. Bayes nayif
Yon pwoblèm klasifikasyon binè (de klas) ak milti klas ka rezoud lè l sèvi avèk teknik Naive Bayes la. Lè yo eksplike metòd la lè l sèvi avèk valè opinyon binè oswa kategori, li pi senp pou atrab. Yon sipozisyon yon klasifikatè Naive Bayes fè se ke egzistans yon karakteristik nan yon klas pa gen okenn rapò sou prezans nenpòt lòt karakteristik.
Fòmil ki anwo a endike:
- P(H): Pwobabilite pou ipotèz H kòrèk. Pwobabilite anvan an refere li kòm sa a.
- P(E): Chans pou prèv la
- P(E|H): Pwobabilite pou ipotèz la sipòte pa prèv la.
- P(H|E): Pwobabilite pou ipotèz la vre, dapre prèv la.
Yon klasifikasyon Naive Bayes ta pran an kont chak nan karakteristik sa yo endividyèlman lè yo detèmine chans pou yon rezilta sèten, menm si atribi sa yo konekte youn ak lòt. Yon modèl Bayesyen nayif se senp pou konstwi epi li efikas pou gwo seri done.
Li konnen yo fè pi bon pase menm teknik kategori ki pi konplèks pandan ke yo te debaz. Li se yon koleksyon algorithm ki tout baze sou teyorèm Bayes ', olye ke yon sèl metòd.
6. K-Vwazen ki pi pre
Teknik K-Nearest Nearest Nearest (kNN) la se yon sou-ansanm nan aprantisaj machin sipèvize ki ka itilize pou adrese pwoblèm klasifikasyon ak regresyon. Algorithm KNN a sipoze objè ki konparab yo ka jwenn tou pre.
Mwen sonje li kòm yon rasanbleman moun ki gen menm lide. kNN fè avantaj sou lide resanblans ant lòt pwen done itilize pwoksimite, pwoksimite, oswa distans. Pou make done ki pa ka wè yo ki baze sou pwen done obsèvab ki make ki pi pre yo, yo itilize yon metòd matematik pou detèmine separasyon ki genyen ant pwen sou yon graf.
Ou dwe detèmine distans ki genyen ant pwen done yo nan lòd yo idantifye tach ki pi pre konparab yo. Pou sa ka sèvi ak mezi distans tankou distans Euclidean, distans Hamming, distans Manhattan ak distans Minkowski. K a konnen kòm nimewo vwazen ki pi pre a, epi li se souvan yon nimewo enpè.
KNN ka aplike nan klasifikasyon ak pwoblèm regresyon. Prediksyon ki fèt lè yo itilize KNN pou pwoblèm regresyon baze sou mwayèn oswa medyàn K-oksidans ki pi sanble yo.
Ka rezilta yon algorithm klasifikasyon ki baze sou KNN dwe detèmine kòm klas ki gen pi gwo frekans nan mitan K evènman ki pi sanble. Chak enstans esansyèlman voye yon vòt pou klas yo, epi prediksyon an fè pati klas ki resevwa plis vòt la.
7. K-vle di
Li se yon teknik pou aprantisaj san sipèvizyon ki adrese pwoblèm clustering. Ansanm done yo divize an yon sèten kantite grap—rele ann li K—nan yon fason ke pwen done chak gwoup yo omojèn ak diferan de sa yo ki nan lòt grap yo.
K-vle di metodoloji clustering:
- Pou chak gwoup, algorithm K-means chwazi k santwoyid, oswa pwen.
- Avèk santwoyid ki pi pre oswa K grap, chak pwen done fòme yon grap.
- Kounye a, nouvo santwar yo pwodui depann sou manm gwoup yo ki deja prezan.
- Distans ki pi pre pou chak pwen done yo kalkile lè l sèvi avèk santwoyid aktyalize sa yo. Jiska santwoyid yo pa chanje, pwosesis sa a repete.
Li pi rapid, pi serye, ak pi senp pou konprann. Si gen pwoblèm, adaptabilite k-means fè ajisteman senp. Lè done yo diferan oswa byen izole youn ak lòt, rezilta yo pi bon. Li pa ka jere done iregilye oswa outliers.
8. Sipò pou machin vektè
Lè w ap itilize teknik SVM pou klasifye done, done anvan tout koreksyon yo montre kòm pwen nan yon espas n-dimansyon (kote n se kantite karakteristik ou genyen). Lè sa a, done yo ka fasil klase paske valè chak karakteristik yo konekte ak yon kowòdone espesifik.
Pou separe done yo epi mete yo sou yon graf, sèvi ak liy yo konnen kòm klasifikasyon. Apwòch sa a trase chak pwen done kòm yon pwen nan yon espas n-dimansyon, kote n se kantite karakteristik ou genyen ak valè chak karakteristik se yon valè kowòdone espesifik.
Nou pral kounye a jwenn yon liy ki divize done yo an de seri done ki te kategorize yon fason diferan. Distans ki soti nan pwen ki pi pre yo nan chak nan de gwoup yo pral pi lwen sou liy sa a.
Piske de pwen ki pi pre yo se sa yo ki pi lwen ak liy ki nan egzanp ki anwo a, liy ki divize done yo an de gwoup ki te kategorize yon fason diferan se liy mitan an. Klasifikasyon nou an se liy sa a.
9. Rediksyon dimansyon
Sèvi ak apwòch la nan rediksyon dimansyon, done fòmasyon ta ka gen mwens varyab opinyon. An tèm senp, li refere a pwosesis pou diminye gwosè a nan seri karakteristik ou a. Ann imajine dataset ou a gen 100 kolòn; rediksyon dimansyon ap diminye kantite a 20 kolòn.
Modèl la otomatikman ap grandi pi plis sofistike epi li gen yon pi gwo risk pou yo depase lè kantite karakteristik ogmante. Pwoblèm nan pi gwo ak travay ak done nan pi gwo dimansyon se sa ke yo rekonèt kòm "madichon nan dimansyon," ki rive lè done ou a gen yon kantite twòp nan karakteristik.
Eleman sa yo ka itilize pou akonpli rediksyon dimansyon:
- Pou jwenn epi chwazi karakteristik ki enpòtan yo, seleksyon karakteristik yo te anplwaye.
- Sèvi ak karakteristik ki deja egziste, jeni karakteristik manyèlman kreye nouvo karakteristik.
konklizyon
Aprantisaj machin san sipèvizyon oswa sipèvize se tou de posib. Chwazi aprantisaj sipèvize si done ou yo mwens abondan epi byen make pou fòmasyon.
Gwo seri done ta souvan fè ak pwodui pi bon rezilta lè l sèvi avèk aprantisaj san sipèvizyon. Pwofondè fon metòd yo pi bon si ou gen yon koleksyon done konsiderab ki disponib fasilman.
Aprantisaj ranfòsman ak aprantisaj ranfòsman pwofon se kèk sijè ou etidye. Karakteristik rezo neral yo, itilizasyon, ak kontrent yo kounye a klè pou ou. Denye men pa pi piti, ou te konsidere opsyon yo pou diferan langaj pwogramasyon, IDE, ak platfòm lè li te rive kreye pwòp ou a. modèl aprantisaj machin.
Pwochen bagay ou bezwen fè se kòmanse etidye ak itilize chak aprantisaj machin apwòch. Menm si sijè a se laj, nenpòt sijè ka konprann nan kèk èdtan si ou konsantre sou pwofondè li yo. Chak sijè kanpe pou kont lòt yo.
Ou dwe reflechi sou yon pwoblèm nan yon moman, etidye li, mete l an pratik, epi sèvi ak yon lang ou chwazi pou aplike algorithm (yo) nan li.
Kite yon Reply