Werrej[Aħbi][Uri]
Id-dinja qed tinbidel malajr minħabba l-intelliġenza artifiċjali, u t-tagħlim tal-magni, li għandu impatt fuq kull aspett tal-ħajja tagħna ta 'kuljum.
Minn assistenti tal-vuċi li jużaw l-NLP u t-tagħlim bil-magni biex jibbukkjaw appuntamenti, ifittxu avvenimenti fuq il-kalendarju tagħna, u jdoqqu mużika għal apparati li huma tant preċiżi li jistgħu jantiċipaw il-bżonnijiet tagħna qabel ma nqisuhom.
Il-kompjuters jistgħu jilagħbu ċ-ċess, jagħmlu kirurġija, u jiżviluppaw f'magni aktar intelliġenti u simili għall-bniedem bl-għajnuna ta 'algoritmi ta' tagħlim bil-magni.
Ninsabu fi żmien ta’ avvanz teknoloġiku kontinwu, u billi naraw kif il-kompjuters żviluppaw matul iż-żmien, nistgħu nagħmlu tbassir dwar x’se jiġri fil-futur.
Id-demokratizzazzjoni tal-għodod u l-metodi tal-kompjuter hija waħda mill-aspetti ewlenin ta’ din ir-rivoluzzjoni li tispikka. Xjenzati tad-dejta ħolqu kompjuters qawwija li jqassmu d-data matul l-aħħar ħames snin billi implimentaw mingħajr sforz metodoloġiji avvanzati. Ir-riżultati huma tal-għaġeb.
F'din il-kariga, aħna ser inħarsu mill-qrib lejn tagħlim magna algoritmi u l-varjazzjonijiet kollha tagħhom.
Allura, x'inhuma l-algoritmi tat-Tagħlim Magni?
L-approċċ użat mis-sistema AI biex twettaq il-kompitu tagħha—ġeneralment, it-tbassir tal-valuri tal-output minn data ta’ input mogħtija—huwa magħruf bħala algoritmu ta’ tagħlim tal-magni.
Algoritmu ta’ tagħlim bil-magni huwa proċess li juża d-dejta u jintuża biex jinħolqu mudelli ta’ tagħlim bil-magni li huma lesti għall-produzzjoni. Jekk it-tagħlim tal-magni huwa l-ferrovija li twettaq xogħol, allura l-algoritmi tat-tagħlim tal-magni huma l-lokomotivi li jmexxu x-xogħol flimkien.
L-aħjar approċċ tat-tagħlim tal-magni li għandek tuża se jiġi ddeterminat mill-problema tan-negozju li qed tipprova tindirizza, it-tip ta’ dataset li qed tuża, u r-riżorsi li għandek disponibbli.
L-algoritmi tat-tagħlim bil-magni huma dawk li jbiddlu sett tad-dejta f'mudell. Skont it-tip ta' problema li qed tipprova twieġeb, is-saħħa tal-ipproċessar disponibbli, u t-tip ta' dejta li għandek, algoritmi ta' tagħlim sorveljat, mhux sorveljat jew ta' rinfurzar jistgħu jaħdmu tajjeb.
Allura, tkellimna dwar it-tagħlim sorveljat, mhux sorveljat, u ta’ rinfurzar, imma x’inhuma? Ejja nesplorawhom.
Tagħlim sorveljat, mhux sorveljat u ta' rinfurzar
Tagħlim Superviżjonat
Fit-tagħlim sorveljat, il-mudell AI huwa żviluppat ibbażat fuq l-input li jkun ġie pprovdut u t-tikketta li tirrappreżenta r-riżultat imbassar. Ibbażat fuq l-inputs u l-outputs, il-mudell jiżviluppa ekwazzjoni tal-mapping, u billi juża dik l-ekwazzjoni tal-mapping, ibassar it-tikketta tal-inputs fil-futur.
Ejja ngħidu li għandna bżonn noħolqu mudell li jista’ jiddistingwi bejn kelb u qattus. Ritratti multipli ta’ qtates u klieb jiddaħħlu fil-mudell b’tikketti li jindikaw jekk humiex qtates jew klieb sabiex il-mudell jitħarreġ.
Il-mudell ifittex li jistabbilixxi ekwazzjoni li tirrelata t-tikketti fuq ir-ritratti tal-input ma' dawk l-immaġini. Anke jekk il-mudell qatt ma ra l-immaġni qabel, wara t-taħriġ, jista 'jidentifika jekk hux ta' qattus jew kelb.
Tagħlim mhux issorveljat
It-tagħlim mhux sorveljat jinvolvi t-taħriġ ta' mudell AI biss fuq inputs mingħajr ittikkettjar tagħhom. Il-mudell jaqsam id-dejta tal-input fi gruppi b'karatteristiċi relatati.
It-tikketta futura tal-input imbagħad tiġi mbassra skont kemm l-attributi tagħha jaqblu ma' waħda mill-klassifikazzjonijiet. Ikkunsidra s-sitwazzjoni fejn irridu naqsmu grupp ta 'blalen ħomor u blu f'żewġ kategoriji.
Ejja nassumu li l-karatteristiċi l-oħra tal-blalen huma identiċi, bl-eċċezzjoni tal-kulur. Fuq il-bażi ta 'kif jista' jaqsam il-blalen f'żewġ klassijiet, il-mudell ifittex il-karatteristiċi li huma differenti bejn il-blalen.
Żewġ gruppi ta 'blalen—wieħed blu u ieħor aħmar—jiġu prodotti meta l-blalen jinqasmu f'żewġ gruppi bbażati fuq il-lewn tagħhom.
Tisħiħ tat-Tagħlim
Fit-tagħlim ta’ rinfurzar, il-mudell AI jipprova jimmassimizza l-profitt ġenerali billi jaġixxi kif jista’ f’ċirkustanza partikolari. Ir-rispons dwar ir-riżultati preċedenti tiegħu jgħin lill-mudell jitgħallem.
Aħseb dwar ix-xenarju meta robot jingħata struzzjonijiet biex jagħżel rotta bejn il-punti A u B. Ir-robot l-ewwel jagħżel wieħed mill-korsijiet għax m'għandux esperjenza minn qabel.
Ir-robot jirċievi input fuq ir-rotta li jieħu u jikseb għarfien minnu. Ir-robot jista 'jutilizza l-input biex jirranġa l-kwistjoni ladarba li jmiss jiltaqa' ma 'ċirkustanza simili.
Pereżempju, jekk ir-robot jagħżel l-għażla B u jirċievi premju, bħal feedback pożittiv, jifhem din id-darba li jrid jagħżel il-mod B biex iżid il-premju tiegħu.
Issa fl-aħħar dak li qed tistenna kollha, huma l-algoritmi.
Algoritmi Maġġuri ta' Tagħlim Magni
1. Rigressjoni Lineari
L-aktar approċċ sempliċi ta’ tagħlim bil-magni li jiddevja mit-tagħlim sorveljat huwa r-rigressjoni lineari. Bl-għarfien minn varjabbli indipendenti, huwa l-aktar utilizzat biex isolvi kwistjonijiet ta 'rigressjoni u joħloq tbassir fuq varjabbli dipendenti kontinwi.
Is-sejba tal-linja ta 'l-aħjar tajbin, li tista' tgħin fit-tbassir tar-riżultat għal varjabbli dipendenti kontinwi, huwa l-għan ta 'rigressjoni lineari. Il-prezzijiet tad-djar, l-età u l-pagi huma xi eżempji ta’ valuri kontinwi.
Mudell magħruf bħala rigressjoni lineari sempliċi juża linja dritta biex jikkalkula l-assoċjazzjoni bejn varjabbli indipendenti waħda u varjabbli dipendenti waħda. Hemm aktar minn żewġ varjabbli indipendenti f'rigressjoni lineari multipla.
Mudell ta’ rigressjoni lineari għandu erba’ suppożizzjonijiet sottostanti:
- Linearità: Hemm konnessjoni lineari bejn X u l-medja ta 'Y.
- Omoċedastiċità: Għal kull valur ta 'X, il-varjanza residwa hija l-istess.
- Indipendenza: L-osservazzjonijiet huma indipendenti minn xulxin f'termini ta' indipendenza.
- Normalità: Meta X huwa ffissat, Y huwa normalment distribwit.
Ir-rigressjoni lineari twettaq b'mod ammirevoli għal dejta li tista 'tiġi separata tul linji. Jista 'jikkontrolla t-twaħħil żejjed billi juża tekniki ta' regolarizzazzjoni, validazzjoni inkroċjata u tnaqqis tad-dimensjoni. Madankollu, hemm każijiet fejn hija meħtieġa inġinerija estensiva tal-karatteristiċi, li kultant tista' tirriżulta f'twaħħil żejjed u storbju.
2. Rigressjoni Loġistika
Ir-rigressjoni loġistika hija teknika oħra tat-tagħlim tal-magni li titbiegħed mit-tagħlim sorveljat. L-użu ewlieni tiegħu huwa l-klassifikazzjoni, filwaqt li jista 'jintuża wkoll għal problemi ta' rigressjoni.
Ir-rigressjoni loġistika tintuża biex tipprevedi l-varjabbli dipendenti kategorika bl-użu tal-informazzjoni mill-fatturi indipendenti. L-għan huwa li jiġu kklassifikati l-outputs, li jistgħu jaqgħu biss bejn 0 u 1.
It-total peżat tal-inputs huwa pproċessat mill-funzjoni sigmojde, funzjoni ta 'attivazzjoni li tikkonverti valuri bejn 0 u 1.
Il-bażi tar-rigressjoni loġistika hija stima tal-probabbiltà massima, metodu għall-kalkolu tal-parametri ta 'distribuzzjoni ta' probabbiltà preżunta minħabba data speċifika osservata.
3. Siġra tad-Deċiżjoni
Metodu ieħor ta' tagħlim bil-magni li jinfired mit-tagħlim sorveljat huwa s-siġra tad-deċiżjonijiet. Kemm għal kwistjonijiet ta' klassifikazzjoni kif ukoll ta' rigressjoni, jista' jintuża l-approċċ tas-siġra tad-deċiżjonijiet.
Din l-għodda għat-teħid tad-deċiżjonijiet, li tixbaħ siġra, tuża rappreżentazzjonijiet viżwali biex turi r-riżultati, l-ispejjeż u r-riperkussjonijiet prospettivi tal-azzjonijiet. Billi taqsam id-dejta f'porzjonijiet separati, l-idea hija analoga għall-moħħ tal-bniedem.
Id-dejta ġiet maqsuma f'partijiet distinti kemm nistgħu nigranulawha. L-għan ewlieni ta' Siġra tad-Deċiżjonijiet huwa li jinbena mudell ta' taħriġ li jista' jintuża biex ibassar il-klassi tal-varjabbli fil-mira. Il-valuri neqsin jistgħu jiġu ttrattati awtomatikament bl-użu tas-Siġra tad-Deċiżjonijiet.
M'hemm l-ebda rekwiżit għal kodifikazzjoni ta 'one-shot, varjabbli finta, jew passi oħra ta' trattament minn qabel tad-dejta. Huwa riġidu fis-sens li huwa diffiċli li żżid dejta friska magħha. Jekk ikollok dejta ttikkettjata addizzjonali, għandek tħarreġ mill-ġdid is-siġra fuq is-sett tad-dejta kollu.
Bħala riżultat, is-siġar tad-deċiżjonijiet huma għażla fqira għal kwalunkwe applikazzjoni li teħtieġ bidla dinamika tal-mudell.
Ibbażat fuq it-tip ta’ varjabbli fil-mira, is-siġar tad-deċiżjonijiet huma kklassifikati f’żewġ tipi:
- Varjabbli Kategoriji: Siġra tad-Deċiżjoni li fiha l-varjabbli tal-għan huwa Kategoriku.
- Varjabbli Kontinwu: Siġra tad-Deċiżjoni li fiha l-varjabbli tal-għan huwa Kontinwu.
4. Foresti Random
Il-Metodu Random Forest huwa t-teknika ta 'tagħlim tal-magni li jmiss u huwa algoritmu ta' tagħlim tal-magni sorveljat użat b'mod estensiv fi kwistjonijiet ta 'klassifikazzjoni u rigressjoni. Huwa wkoll metodu bbażat fuq is-siġra, simili għal siġra tad-deċiżjonijiet.
Foresta ta 'siġar, jew ħafna siġar tad-deċiżjonijiet, tintuża bil-metodu tal-foresti każwali biex isiru ġudizzji. Meta kien qed jimmaniġġja l-kompiti ta 'klassifikazzjoni, il-metodu tal-foresti każwali uża varjabbli kategoriċi filwaqt li jimmaniġġja l-kompiti ta' rigressjoni b'settijiet ta 'dejta li fihom varjabbli kontinwi.
Ensemble, jew taħlit ta 'ħafna mudelli, huwa dak li jagħmel il-metodu tal-foresti każwali, li jfisser li t-tbassir isir bl-użu ta' grupp ta 'mudelli aktar milli wieħed biss.
Il-kapaċità li tintuża kemm għall-problemi ta 'klassifikazzjoni kif ukoll ta' rigressjoni, li jiffurmaw il-maġġoranza tas-sistemi moderni ta 'tagħlim tal-magni, hija benefiċċju ewlieni tal-foresta każwali.
Żewġ strateġiji differenti jintużaw minn Ensemble:
- Bagar: Billi tagħmel dan, tiġi prodotta aktar dejta għas-sett tad-dejta tat-taħriġ. Biex titnaqqas il-varjazzjoni fit-tbassir, dan isir.
- It-tisħiħ huwa l-proċess li jgħaqqad studenti dgħajfa ma 'studenti b'saħħithom billi jinbnew mudelli suċċessivi, li jirriżultaw fil-mudell finali b'eżattezza massima.
5. Bayes Naive
Kwistjoni ta 'klassifikazzjoni binarja (żewġ klassi) u multi-klassi tista' tiġi solvuta bl-użu tat-teknika Naive Bayes. Meta l-metodu jiġi spjegat bl-użu ta 'valuri ta' input binarji jew ta 'kategorija, huwa l-aktar sempliċi biex jinqabad. Suppożizzjoni magħmula minn klassifikatur Naive Bayes hija li l-eżistenza ta' karatteristika waħda fi klassi m'għandha l-ebda effett fuq il-preżenza ta' xi karatteristiċi oħra.
Il-formula t'hawn fuq tindika:
- P(H): Il-probabbiltà li l-ipoteżi H hija korretta. Il-probabbiltà minn qabel tissejjaħ din.
- P(E): Il-probabbiltà tal-evidenza
- P(E|H): Il-probabbiltà li l-ipoteżi hija sostnuta mill-evidenza.
- P(H|E): Il-probabbiltà li l-ipoteżi hija vera, minħabba l-evidenza.
Klassifikatur Naive Bayes jikkunsidra kull waħda minn dawn il-karatteristiċi individwalment meta jiddetermina l-probabbiltà ta 'ċertu riżultat, anki jekk dawn l-attributi huma konnessi ma' xulxin. Mudell Bayesjan Naive huwa sempliċi biex jinbena u effettiv għal settijiet ta’ dejta kbar.
Huwa magħruf li jwettaq aħjar anke mill-aktar tekniki ta 'kategorizzazzjoni kumplessi filwaqt li jkun bażiku. Hija ġabra ta 'algoritmi li huma kollha bbażati fuq it-Teorema ta' Bayes, aktar milli metodu wieħed.
6. K-Eqreb Ġirien
It-teknika tal-K-nearest neighbors (kNN) hija subsett ta’ tagħlim tal-magni sorveljat li jista’ jintuża biex jindirizza kwistjonijiet ta’ klassifikazzjoni u rigressjoni. L-algoritmu KNN jippreżumi li oġġetti komparabbli jistgħu jinstabu fil-qrib.
Niftakarha bħala ġabra ta’ individwi li jaħsbuha l-istess. kNN jagħmel vantaġġ mill-idea ta' xebh bejn punti oħra tad-dejta billi juża l-prossimità, il-qrubija jew id-distanza. Sabiex tiġi ttikkettjata d-dejta li ma tidhirx ibbażata fuq l-eqreb punti ta 'dejta osservabbli ttikkettjati, metodu matematiku huwa impjegat biex tiddetermina s-separazzjoni bejn il-punti fuq graff.
Int trid tiddetermina d-distanza bejn il-punti tad-dejta sabiex tidentifika l-eqreb spots komparabbli. Għal dan jista 'jintuża kejl tad-distanza bħad-distanza Ewklidjana, id-distanza ta' Hamming, id-distanza ta 'Manhattan, u d-distanza ta' Minkowski. Il-K huwa magħruf bħala l-eqreb numru tal-ġar, u ħafna drabi huwa numru fard.
KNN jista 'jiġi applikat għal problemi ta' klassifikazzjoni u rigressjoni. It-tbassir magħmul meta KNN jintuża għal kwistjonijiet ta' rigressjoni huwa bbażat fuq il-medja jew il-medjan tal-okkorrenzi K-aktar simili.
Ir-riżultat ta 'algoritmu ta' klassifikazzjoni bbażat fuq KNN jista 'jiġi ddeterminat bħala l-klassi bl-ogħla frekwenza fost il-K l-aktar okkorrenzi simili. Kull istanza essenzjalment titfa' vot għall-klassi tagħhom, u t-tbassir jappartjeni għall-klassi li tirċievi l-aktar voti.
7. K-mezzi
Hija teknika għal tagħlim mhux sorveljat li tindirizza kwistjonijiet ta' clustering. Is-settijiet tad-dejta huma maqsuma f'ċertu numru ta 'clusters—sejħa ejja K—b'tali mod li l-punti tad-dejta ta' kull cluster ikunu omoġenji u distinti minn dawk fil-clusters l-oħra.
Metodoloġija ta' raggruppament ta' K-means:
- Għal kull cluster, l-algoritmu tal-K-means jagħżel k centroids, jew punti.
- Bl-eqreb ċentralji jew K clusters, kull punt tad-dejta jifforma cluster.
- Issa, ċentralji ġodda huma prodotti skont il-membri tal-cluster diġà preżenti.
- L-eqreb distanza għal kull punt tad-dejta hija kkalkulata bl-użu ta’ dawn iċ-ċentrujdi aġġornati. Sa ċ-ċentrujdi ma jinbidlux, dan il-proċess jiġi ripetut.
Huwa aktar mgħaġġel, aktar affidabbli, u aktar sempliċi biex tifhem. Jekk ikun hemm kwistjonijiet, l-adattabilità tal-k-means tagħmel l-aġġustamenti sempliċi. Meta s-settijiet tad-dejta jkunu distinti jew iżolati sew minn xulxin, ir-riżultati huma l-aħjar. Ma jistax jimmaniġġja data erratika jew outliers.
8. Appoġġ Magni Vector
Meta tuża t-teknika SVM biex tikklassifika d-dejta, id-dejta mhux ipproċessata tintwera bħala tikek fi spazju n-dimensjonali (fejn n huwa n-numru ta 'karatteristiċi li għandek). Id-data mbagħad tista 'tiġi kklassifikata faċilment minħabba li l-valur ta' kull karatteristika huwa mbagħad konness ma 'koordinata speċifika.
Biex tissepara d-dejta u tpoġġihom fuq graff, uża linji magħrufa bħala klassifikaturi. Dan l-approċċ jippjana kull punt tad-dejta bħala punt fi spazju n-dimensjonali, fejn n huwa n-numru ta’ karatteristiċi li għandek u l-valur ta’ kull karatteristika huwa valur ta’ koordinat speċifiku.
Issa se nsibu linja li taqsam id-dejta f'żewġ settijiet ta 'dejta li ġew kategorizzati b'mod differenti. Id-distanzi mill-eqreb punti f'kull wieħed miż-żewġ gruppi se jkunu l-aktar 'il bogħod minn xulxin tul din il-linja.
Peress li l-eqreb żewġ punti huma dawk li huma l-aktar 'il bogħod mil-linja fl-eżempju ta' hawn fuq, il-linja li taqsam id-dejta fiż-żewġ gruppi li ġew kategorizzati b'mod differenti hija l-linja tan-nofs. Il-klassifikatur tagħna huwa din il-linja.
9. Tnaqqis tad-Dimensjonalità
Bl-użu tal-approċċ tat-tnaqqis tad-dimensjonijiet, id-dejta tat-taħriġ jista 'jkollha inqas varjabbli ta' input. F'termini sempliċi, tirreferi għall-proċess li jiċkien id-daqs tas-sett tal-karatteristiċi tiegħek. Ejja nimmaġinaw id-dataset tiegħek għandu 100 kolonna; tnaqqis tad-dimensjoni se jonqos dak l-ammont għal 20 kolonna.
Il-mudell awtomatikament jikber aktar sofistikat u għandu riskju akbar ta 'twaħħil żejjed hekk kif in-numru ta' karatteristiċi jiżdied. L-akbar kwistjoni ta 'ħidma ma' data f'dimensjonijiet akbar hija dik li hija magħrufa bħala "s-saħta tad-dimensjonalità", li sseħħ meta d-data tiegħek fiha numru eċċessiv ta 'karatteristiċi.
L-elementi li ġejjin jistgħu jintużaw biex iwettaq it-tnaqqis tad-dimensjonijiet:
- Biex issib u tagħżel karatteristiċi pertinenti, tintuża l-għażla tal-karatteristiċi.
- Billi tuża karatteristiċi diġà eżistenti, l-inġinerija tal-karatteristiċi toħloq manwalment karatteristiċi ġodda.
konklużjoni
It-tagħlim tal-magni mhux sorveljat jew sorveljat huwa t-tnejn possibbli. Agħżel tagħlim sorveljat jekk id-dejta tiegħek tkun inqas abbundanti u mmarkata tajjeb għat-taħriġ.
Settijiet kbar ta' dejta spiss iwettqu u jipproduċu riżultati aħjar bl-użu ta' tagħlim mhux sorveljat. Tagħlim fil-fond metodi huma l-aħjar jekk għandek ġbir ta’ data mdaqqsa li huwa faċilment disponibbli.
Tagħlim ta 'rinfurzar u t-tagħlim deep reinforcement huma xi suġġetti li studjajt. Il-karatteristiċi, l-użi u r-restrizzjonijiet tan-netwerks newrali issa huma ċari għalik. Fl-aħħar iżda mhux l-inqas, qist l-għażliet għal lingwi ta’ programmar differenti, IDEs, u pjattaformi meta ġiet biex toħloq tiegħek mudelli ta 'tagħlim bil-magna.
Il-ħaġa li jmiss li trid tagħmel hi li tibda tistudja u tuża kull wieħed tagħlim magna approċċ. Anke jekk is-suġġett huwa wiesa ', kwalunkwe suġġett jista' jinftiehem fi ftit sigħat jekk tiffoka fuq il-fond tiegħu. Kull suġġett huwa waħdu mill-oħrajn.
Trid taħseb dwar kwistjoni waħda kull darba, tistudjaha, tpoġġiha fil-prattika, u tuża lingwa tal-għażla tiegħek biex timplimenta l-algoritmu(i) fiha.
Ħalli Irrispondi