Atọka akoonu[Fipamọ][Ifihan]
Aye n yipada ni kiakia nitori itetisi atọwọda, ati ẹkọ ẹrọ, eyiti o ni ipa lori gbogbo abala ti igbesi aye wa lojoojumọ.
Lati awọn oluranlọwọ ohun ti o lo NLP ati ẹkọ ẹrọ lati ṣe iwe awọn ipinnu lati pade, wo awọn iṣẹlẹ lori kalẹnda wa, ati mu orin ṣiṣẹ si awọn ẹrọ ti o peye ti wọn le nireti awọn iwulo wa ṣaaju ki a paapaa gbero wọn.
Awọn kọnputa le ṣe chess, ṣe iṣẹ abẹ, ati dagbasoke sinu ijafafa, awọn ẹrọ bii eniyan diẹ sii pẹlu iranlọwọ ti awọn algoridimu ikẹkọ ẹrọ.
A wa ni akoko ti ilọsiwaju imọ-ẹrọ nigbagbogbo, ati nipa wiwo bi awọn kọnputa ṣe dagbasoke nipasẹ akoko, a le ṣe awọn asọtẹlẹ nipa ohun ti yoo ṣẹlẹ ni ọjọ iwaju.
Tiwantiwa ti awọn irinṣẹ iširo ati awọn ọna jẹ ọkan ninu awọn aaye pataki ti iyipada yii ti o duro ni ita. Awọn onimo ijinlẹ data ti ṣẹda awọn kọnputa ti npa data ti o lagbara ni ọdun marun to kọja nipasẹ imuse laiparuwo awọn ilana gige-eti. Awọn abajade jẹ iyalẹnu.
Ninu ifiweranṣẹ yii, a yoo wo ni pẹkipẹki imudani ẹrọ algorithms ati gbogbo awọn iyatọ wọn.
Nitorinaa, kini awọn algoridimu Ẹkọ Ẹrọ?
Ọna ti a lo nipasẹ eto AI lati ṣe iṣẹ-ṣiṣe rẹ-ni gbogbogbo, asọtẹlẹ awọn iye igbejade lati inu data titẹ sii ti a fun — ni a mọ bi algorithm ikẹkọ ẹrọ.
Algorithm ẹkọ ẹrọ jẹ ilana ti o nlo data ati pe a lo lati ṣẹda awọn awoṣe ikẹkọ ẹrọ ti o ṣetan fun iṣelọpọ. Ti ẹkọ ẹrọ ba jẹ ọkọ oju irin ti o ṣe iṣẹ kan, lẹhinna awọn algoridimu ikẹkọ ẹrọ jẹ awọn locomotives ti o gbe iṣẹ naa lọ.
Ọna ẹkọ ẹrọ ti o dara julọ lati lo yoo jẹ ipinnu nipasẹ iṣoro iṣowo ti o n gbiyanju lati koju, iru dataset ti o nlo, ati awọn orisun ti o ni.
Awọn algoridimu ikẹkọ ẹrọ jẹ awọn ti o yi eto data pada si awoṣe kan. Da lori iru iṣoro ti o ngbiyanju lati dahun, agbara sisẹ ti o wa, ati iru data ti o ni, abojuto, aisi abojuto, tabi awọn algoridimu ikẹkọ imuduro le ṣe daradara.
Nitorinaa, a sọrọ nipa abojuto, alabojuto, ati ikẹkọ imuduro, ṣugbọn kini wọn? Jẹ ki a ṣawari wọn.
Abojuto, Abojuto & Ẹkọ Imudara
Ẹkọ abojuto
Ninu ẹkọ ti a ṣe abojuto, awoṣe AI ti ni idagbasoke da lori titẹ sii ti a ti pese ati aami ti o duro fun abajade asọtẹlẹ. Da lori awọn igbewọle ati awọn igbejade, awoṣe ndagba idogba aworan agbaye, ati lilo idogba maapu yẹn, o ṣe asọtẹlẹ aami ti awọn igbewọle ni ọjọ iwaju.
Jẹ ki a sọ pe a nilo lati ṣẹda awoṣe ti o le ṣe iyatọ laarin aja ati ologbo kan. Awọn fọto pupọ ti awọn ologbo ati awọn aja ni a jẹ sinu awoṣe pẹlu awọn aami ti o nfihan boya wọn jẹ ologbo tabi aja lati le kọ awoṣe naa.
Awoṣe naa n wa lati fi idi idogba kan mulẹ ti o jọmọ awọn aami lori awọn fọto igbewọle si awọn aworan yẹn. Paapa ti awoṣe ko ba ti ri aworan naa tẹlẹ, lẹhin ikẹkọ, o le ṣe idanimọ boya o jẹ ti o nran tabi aja kan.
Ẹkọ ti ko ni abojuto
Ẹkọ ti ko ni abojuto jẹ ikẹkọ awoṣe AI nikan lori awọn igbewọle laisi isamisi wọn. Awoṣe naa pin data titẹ sii si awọn ẹgbẹ pẹlu awọn abuda ti o ni ibatan.
Aami ọjọ iwaju ti titẹ sii jẹ asọtẹlẹ lẹhinna da lori bi awọn abuda rẹ ṣe sunmọ ọkan ninu awọn isọdi. Wo ipo naa nibiti a gbọdọ pin ẹgbẹ kan ti awọn bọọlu pupa ati buluu si awọn ẹka meji.
Jẹ ká ro pe awọn balls 'miiran abuda ni o wa aami, pẹlu awọn sile ti awọ. Lori ipilẹ bi o ṣe le pin awọn bọọlu si awọn kilasi meji, awoṣe n wa awọn abuda ti o yatọ laarin awọn bọọlu.
Awọn iṣupọ boolu meji — ọkan buluu ati pupa kan - ni a ṣe nigbati awọn bọọlu ba pin si awọn ẹgbẹ meji ti o da lori awọ wọn.
Ẹkọ Isọdọtun
Ni ẹkọ imuduro, awoṣe AI n wa lati mu ere gbogbogbo pọ si nipa ṣiṣe bi o ti le ṣe ni ipo kan pato. Idahun lori awọn abajade iṣaaju rẹ ṣe iranlọwọ fun awoṣe lati kọ ẹkọ.
Ronu nipa oju iṣẹlẹ nigbati a ba kọ robot kan lati yan ipa-ọna laarin awọn aaye A ati B. Robot akọkọ yan boya ninu awọn iṣẹ ikẹkọ nitori ko ni iriri iṣaaju.
Robot gba igbewọle lori ipa-ọna ti o gba ati gba oye lati ọdọ rẹ. Robot le lo igbewọle lati ṣatunṣe ọran naa nigbamii ti o ba pade iru ipo kan.
Fun apẹẹrẹ, ti robot ba yan aṣayan B ati gba ere kan, gẹgẹbi awọn esi to dara, o loye ni akoko yii pe o gbọdọ yan ọna B lati mu ere rẹ pọ si.
Bayi nikẹhin ohun ti gbogbo rẹ n duro de, ni awọn algoridimu.
Major Machine Learning alugoridimu
1. Iyipada ila
Ọna ẹkọ ẹrọ ti o rọrun julọ ti o yapa lati ẹkọ ti a ṣe abojuto jẹ ipadasẹhin laini. Pẹlu imọ lati awọn oniyipada ominira, o jẹ lilo pupọ julọ lati yanju awọn ọran ipadasẹhin ati ṣẹda awọn asọtẹlẹ lori awọn oniyipada ti o gbẹkẹle ilọsiwaju.
Wiwa laini ti ibamu ti o dara julọ, eyiti o le ṣe iranlọwọ ni asọtẹlẹ abajade fun awọn oniyipada ti o gbẹkẹle igbagbogbo, jẹ ifọkansi ti ipadasẹhin laini. Awọn idiyele ile, ọjọ-ori, ati awọn owo-iṣẹ jẹ diẹ ninu awọn apẹẹrẹ ti awọn iye lilọsiwaju.
Awoṣe ti a mọ si ipadasẹhin laini ti o rọrun nlo laini taara lati ṣe iṣiro ẹgbẹ laarin oniyipada olominira kan ati oniyipada ti o gbẹkẹle ọkan. Diẹ sii ju awọn oniyipada ominira meji lọ ni ipadasẹhin laini pupọ.
Awoṣe ipadasẹhin laini ni awọn ero inu mẹrin mẹrin:
- Linearity: Asopọ laini wa laarin X ati itumọ Y.
- Homoscedasticity: Fun gbogbo iye ti X, iyatọ ti o ku jẹ kanna.
- Ominira: Awọn akiyesi jẹ ominira ti ara wọn ni awọn ofin ti ominira.
- Deede: Nigbati X ti wa ni titunse, Y ti wa ni deede pin.
Ipadasẹyin laini n ṣe itara fun data ti o le yapa pẹlu awọn laini. O le ṣakoso iwọn apọju nipa lilo isọdọtun, afọwọsi-agbelebu, ati awọn ilana idinku iwọn. Bibẹẹkọ, awọn iṣẹlẹ wa nibiti a nilo imọ-ẹrọ ẹya lọpọlọpọ, eyiti o le ja si lẹẹkọọkan ni ibamu ati ariwo.
2. Logistic padasẹyin
Ipadasẹhin Logistic jẹ ilana ikẹkọ ẹrọ miiran ti o lọ kuro ni ikẹkọ abojuto. Lilo pataki rẹ jẹ ipinya, lakoko ti o tun le ṣee lo fun awọn iṣoro ipadasẹhin.
Ipadasẹhin ohun elo ni a lo lati ṣe asọtẹlẹ oniyipada ti o gbẹkẹle isori nipa lilo alaye lati awọn ifosiwewe ominira. Ibi-afẹde ni lati ṣe iyatọ awọn abajade, eyiti o le ṣubu laarin 0 ati 1 nikan.
Apapọ iwuwo ti awọn igbewọle jẹ ilọsiwaju nipasẹ iṣẹ sigmoid, iṣẹ imuṣiṣẹ ti o yi awọn iye pada laarin 0 ati 1.
Ipilẹ ti ipadasẹhin eekaderi jẹ iṣiro iṣeeṣe ti o pọju, ọna kan fun ṣiṣe iṣiro awọn aye ti pinpin iṣeeṣe ti a ro pe ti a fun ni data akiyesi ni pato.
3. Ipinnu Igi
Ọna ẹkọ ẹrọ miiran ti o ya kuro ni ẹkọ abojuto ni igi ipinnu. Fun awọn ipin mejeeji ati awọn ọran ifasẹyin, ọna igi ipinnu le ṣee lo.
Irinṣẹ ṣiṣe ipinnu, eyiti o jọra igi kan, nlo awọn aṣoju wiwo lati ṣafihan awọn abajade ifojusọna awọn iṣe, awọn idiyele, ati awọn ipadabọ. Nipa pinpin data naa si awọn ipin lọtọ, imọran jẹ afiwe si ọkan eniyan.
A ti pin data naa si awọn ẹya ọtọtọ bi a ti le ṣe granulate rẹ. Idi akọkọ ti igi Ipinnu ni lati kọ awoṣe ikẹkọ ti o le ṣee lo lati ṣe asọtẹlẹ kilasi ti oniyipada ibi-afẹde. Awọn iye ti o padanu le ṣee mu ni adaṣe ni lilo Igi Ipinnu.
Ko si ibeere fun fifi koodu ọkan-shot, awọn oniyipada apanirun, tabi awọn igbesẹ iṣaaju data miiran. O jẹ kosemi ni ori pe o nira lati ṣafikun data tuntun si rẹ. Ti o ba ni afikun aami data, o yẹ ki o tun kọ igi naa lori gbogbo dataset.
Bi abajade, awọn igi ipinnu jẹ yiyan ti ko dara fun eyikeyi ohun elo ti o nilo iyipada awoṣe agbara.
Da lori iru iyipada ibi-afẹde, awọn igi ipinnu ti pin si awọn oriṣi meji:
- Ayipada Ẹka: Igi Ipinnu ninu eyiti oniyipada ibi-afẹde jẹ Ẹka.
- Iyipada Ilọsiwaju: Igi Ipinnu ninu eyiti oniyipada ibi-afẹde jẹ Tẹsiwaju.
4. Igbo ID
Ọna Igi Aileto jẹ ilana ikẹkọ ẹrọ atẹle ati pe o jẹ abojuto ẹrọ ikẹkọ algorithm ti a lo lọpọlọpọ ni ipinya ati awọn ọran ipadasẹhin. O tun jẹ ọna ti o da lori igi, iru si igi ipinnu.
Igi ti awọn igi, tabi ọpọlọpọ awọn igi ipinnu, ni a lo nipasẹ ọna igbo laileto lati ṣe idajọ. Nigbati o ba n mu awọn iṣẹ ṣiṣe ikasi, ọna igbo laileto lo awọn oniyipada isori lakoko mimu awọn iṣẹ ṣiṣe ipadasẹhin pẹlu awọn ipilẹ data ti o ni awọn oniyipada tẹsiwaju ninu.
Ijọpọ kan, tabi dapọ awọn awoṣe pupọ, jẹ ohun ti ọna igbo ti airotẹlẹ ṣe, eyiti o tumọ si pe a ṣe awọn asọtẹlẹ nipa lilo ẹgbẹ awọn awoṣe dipo ọkan kan.
Agbara lati ṣee lo fun ipin mejeeji ati awọn iṣoro ipadasẹhin, eyiti o jẹ pupọ julọ awọn eto ikẹkọ ẹrọ ode oni, jẹ anfani pataki ti igbo laileto.
Awọn ọgbọn oriṣiriṣi meji lo nipasẹ Ensemble:
- Apo: Nipa ṣiṣe eyi, data diẹ sii ni a ṣejade fun dataseteto ikẹkọ. Lati dinku iyatọ ninu awọn asọtẹlẹ, eyi ni a ṣe.
- Igbega jẹ ilana ti apapọ awọn ọmọ ile-iwe alailagbara pẹlu awọn ọmọ ile-iwe ti o lagbara nipa kikọ awọn awoṣe ti o tẹle, ti o yọrisi awoṣe ikẹhin pẹlu deede to pọ julọ.
5. Naive Bayes
Alakomeji (kilasi meji) ati ọran ipin-kilasi pupọ ni a le yanju ni lilo ilana Naive Bayes. Nigbati ọna naa ba ṣe alaye nipa lilo alakomeji tabi awọn iye igbewọle ẹka, o rọrun julọ lati ni oye. Aronu ti a ṣe nipasẹ Naive Bayes classifier ni pe aye ti ẹya kan ninu kilasi ko ni ipa lori wiwa eyikeyi awọn ẹya miiran.
Ilana ti o wa loke tọka si:
- P (H): O ṣeeṣe pe arosọ H jẹ deede. Awọn iṣeeṣe ṣaaju ni tọka si bi eyi.
- P (E): O ṣeeṣe ti ẹri naa
- P(E|H): Iṣeéṣe pe igbero naa jẹ atilẹyin nipasẹ ẹri.
- P(H|E): Iṣeéṣe pé òótọ́ ni ìdánwò náà, ní fífúnni ní ẹ̀rí.
Atọka Naive Bayes yoo ṣe akiyesi ọkọọkan awọn abuda wọnyi ni ẹyọkan nigbati o ba pinnu iṣeeṣe ti abajade kan, paapaa ti awọn abuda wọnyi ba ni asopọ si ara wọn. Awoṣe Naive Bayesian rọrun lati kọ ati munadoko fun awọn ipilẹ data nla.
O mọ lati ṣe dara julọ ju paapaa awọn ilana isọdi ti o nira julọ lakoko ti o jẹ ipilẹ. O jẹ akojọpọ awọn algoridimu ti gbogbo rẹ da lori Ilana Bayes, kuku ju ọna kan lọ.
6. K-Nitosi Awọn aladugbo
Ilana awọn aladugbo K-sunmọ (kNN) jẹ ipin ti ikẹkọ ẹrọ ti a ṣe abojuto ti o le ṣee lo lati koju ipinya ati awọn ọran ipadasẹhin. Algorithm KNN ṣe ipinnu pe awọn nkan afiwera le wa nitosi.
Mo rántí rẹ̀ gẹ́gẹ́ bí àkójọpọ̀ àwọn ènìyàn onífẹ̀ẹ́ kan náà. kNN ṣe anfani ti imọran ibajọra laarin awọn aaye data miiran ni lilo isunmọ, isunmọ, tabi ijinna. Lati le ṣe aami data ti a ko rii ti o da lori aami ti o sunmọ julọ awọn aaye data akiyesi akiyesi, ọna mathematiki kan ni a lo lati pinnu iyapa laarin awọn aaye lori aworan kan.
O gbọdọ pinnu aaye laarin awọn aaye data lati le ṣe idanimọ awọn aaye afiwera ti o sunmọ julọ. Awọn wiwọn ijinna bii ijinna Euclidean, ijinna Hamming, ijinna Manhattan, ati ijinna Minkowski le ṣee lo fun eyi. A mọ K naa gẹgẹbi nọmba aladugbo ti o sunmọ julọ, ati pe o jẹ nọmba alailoye nigbagbogbo.
KNN le ṣee lo si isọdi ati awọn iṣoro ipadasẹhin. Asọtẹlẹ ti a ṣe nigbati KNN ti lo si awọn ọran ipadasẹhin da lori iwọn tabi agbedemeji ti awọn iṣẹlẹ ti o jọra K-julọ.
Abajade algorithm isọdi ti o da lori KNN le pinnu bi kilasi pẹlu igbohunsafẹfẹ giga julọ laarin awọn iṣẹlẹ ti o jọra K julọ. Gbogbo apẹẹrẹ ni pataki sọ ibo kan fun kilasi wọn, ati pe asọtẹlẹ jẹ ti kilasi ti o gba awọn ibo pupọ julọ.
7. K-tumo si
O jẹ ilana fun ẹkọ ti ko ni abojuto ti o koju awọn ọran iṣupọ. Awọn eto data ti pin si nọmba awọn iṣupọ kan—pe jẹ ki a jẹ K—ni ọna ti awọn aaye data iṣupọ kọọkan jẹ isokan ati iyatọ si awọn ti o wa ninu awọn iṣupọ miiran.
K-tumo si ilana ikojọpọ:
- Fun iṣupọ kọọkan, K-tumosi algorithm yan k centroids, tabi awọn aaye.
- Pẹlu awọn centroids ti o sunmọ julọ tabi awọn iṣupọ K, aaye data kọọkan n ṣe iṣupọ kan.
- Ni bayi, awọn centroids tuntun jẹ iṣelọpọ ti o da lori awọn ọmọ ẹgbẹ iṣupọ ti wa tẹlẹ.
- Ijinna ti o sunmọ julọ fun aaye data kọọkan jẹ iṣiro nipa lilo awọn centroids imudojuiwọn. Titi di igba ti centroids ko yipada, ilana yii tun ṣe.
O yara, igbẹkẹle diẹ sii, ati rọrun lati loye. Ti awọn ọran ba wa, k-tumosi' adaptability jẹ ki awọn atunṣe rọrun. Nigbati awọn datasets jẹ iyatọ tabi ya sọtọ daradara lati ara wọn, awọn abajade dara julọ. Ko le ṣakoso data aiṣiṣẹ tabi awọn ita.
8. Atilẹyin Vector Machines
Nigbati o ba nlo ilana SVM lati ṣe iyatọ data, data aise han bi awọn aami ni aaye iwọn n (nibiti n jẹ nọmba awọn ẹya ti o ni). Awọn data le lẹhinna ni irọrun pin nitori pe iye ẹya kọọkan ti sopọ si ipoidojuko kan pato.
Lati ya awọn data ki o si fi wọn lori kan awonya, lo awọn ila ti a mọ si awọn kilasika. Ọna yii ṣe igbero aaye data kọọkan bi aaye kan ninu aaye iwọn n, nibiti n jẹ nọmba awọn ẹya ti o ni ati pe iye ẹya kọọkan jẹ iye ipoidojuko kan pato.
A yoo wa laini kan ti o pin data naa si awọn eto data meji ti a ti ṣe tito lẹtọ yatọ. Awọn ijinna lati awọn aaye ti o sunmọ julọ ni ọkọọkan awọn ẹgbẹ meji yoo jẹ ti o jinna julọ pẹlu laini yii.
Niwọn igba ti awọn aaye meji ti o sunmọ julọ jẹ awọn ti o jinna julọ si laini ni apẹẹrẹ loke, laini ti o pin data si awọn ẹgbẹ meji ti a ṣe tito lẹtọ yatọ ni laini aarin. Alasọtọ wa ni laini yii.
9. Dimensionality Idinku
Lilo ọna ti idinku iwọn, data ikẹkọ le ni awọn oniyipada titẹ sii diẹ. Ni awọn ọrọ ti o rọrun, o tọka si ilana ti idinku iwọn ti ẹya ara ẹrọ rẹ. Jẹ ki a fojuinu rẹ dataset ni 100 ọwọn; Idinku iwọn iwọn yoo dinku iye yẹn si awọn ọwọn 20.
Awoṣe naa yoo dagba ni fafa diẹ sii ati pe o ni eewu nla ti fifin bi nọmba awọn ẹya ti n dide. Ọrọ ti o tobi julọ pẹlu ṣiṣẹ pẹlu data ni awọn iwọn nla ni ohun ti a mọ si “egun ti iwọn,” eyiti o waye nigbati data rẹ ni nọmba awọn abuda ti o pọ ju.
Awọn eroja wọnyi le ṣee lo lati ṣe aṣeyọri idinku iwọn:
- Lati wa ati yan awọn abuda to wulo, yiyan ẹya ti wa ni iṣẹ.
- Lilo awọn ẹya ti o wa tẹlẹ, imọ-ẹrọ ẹya pẹlu ọwọ ṣẹda awọn ẹya tuntun.
ipari
Ti ko ni abojuto tabi ikẹkọ ẹrọ ti a ṣe abojuto jẹ mejeeji ṣee ṣe. Yan ẹkọ ti a ṣe abojuto ti data rẹ ko ba pọ si ati ti samisi daradara fun ikẹkọ.
Awọn eto data nla yoo nigbagbogbo ṣe ati gbejade awọn abajade to dara julọ nipa lilo ẹkọ ti ko ni abojuto. Ijinlẹ jinlẹ Awọn ọna dara julọ ti o ba ni gbigba data ti o pọju ti o wa ni imurasilẹ.
Ikẹkọ imudara ati ẹkọ imuduro jinlẹ jẹ diẹ ninu awọn koko-ọrọ ti o kọ ẹkọ. Awọn abuda awọn nẹtiwọọki nkankikan, awọn lilo, ati awọn ihamọ ti han bayi fun ọ. Ni ikẹhin ṣugbọn kii kere ju, o gbero awọn aṣayan fun oriṣiriṣi awọn ede siseto, IDE, ati awọn iru ẹrọ nigbati o wa si ṣiṣẹda tirẹ awọn awoṣe ẹkọ ẹrọ.
Ohun ti o tẹle ti o nilo lati ṣe ni lati bẹrẹ ikẹkọ ati lilo ọkọọkan imudani ẹrọ ona. Paapa ti koko-ọrọ naa ba gbooro, eyikeyi koko-ọrọ le ni oye ni awọn wakati diẹ ti o ba dojukọ ijinle rẹ. Koko kọọkan duro nikan lati awọn miiran.
O gbọ́dọ̀ ronú lórí ọ̀rọ̀ kan lẹ́ẹ̀kọ̀ọ̀kan, kẹ́kọ̀ọ́ rẹ̀, fi í sílò, kí o sì lo èdè tí o fẹ́ láti fi ṣe àwọn algoridimu (s) nínú rẹ̀.
Fi a Reply