AI人工智能 機器學(xué)習(xí)的類型(ML)

學(xué)習(xí)意味著通過學(xué)習(xí)或經(jīng)驗獲得知識或技能。 基于此，我們可以定義機器學(xué)習(xí)(ML)如下 -

它被定義為計算機科學(xué)領(lǐng)域，更具體地說是人工智能的應(yīng)用，它提供計算機系統(tǒng)學(xué)習(xí)數(shù)據(jù)和改進(jìn)經(jīng)驗而不被明確編程的能力。

基本上，機器學(xué)習(xí)的主要重點是讓電腦自動學(xué)習(xí)，無需人工干預(yù)。 現(xiàn)在的問題是，如何開始這樣的學(xué)習(xí)并完成？ 它可以從數(shù)據(jù)觀察開始。 數(shù)據(jù)可以是一些例子，指導(dǎo)或一些直接的經(jīng)驗。 然后在這個輸入的基礎(chǔ)上，機器通過查找數(shù)據(jù)中的一些模式來做出更好的決定。

機器學(xué)習(xí)的類型(ML)

機器學(xué)習(xí)算法有助于計算機系統(tǒng)學(xué)習(xí)，而無需明確編程。 這些算法分為有監(jiān)督或無監(jiān)督。 現(xiàn)在讓我們來看看幾個常見的算法 -

監(jiān)督機器學(xué)習(xí)算法

這是最常用的機器學(xué)習(xí)算法。 它被稱為監(jiān)督學(xué)習(xí)算法，因為從訓(xùn)練數(shù)據(jù)集中算法學(xué)習(xí)的過程可以被認(rèn)為是監(jiān)督學(xué)習(xí)過程的教師。 在這種ML算法中，可能的結(jié)果是已知的，并且訓(xùn)練數(shù)據(jù)也標(biāo)有正確的答案。可以理解如下 -

假設(shè)有輸入變量x和輸出變量y，并且我們應(yīng)用了一種算法來學(xué)習(xí)從輸入到輸出的映射函數(shù)，例如 -

Y = f(x)

現(xiàn)在，主要目標(biāo)是近似映射函數(shù)，當(dāng)有新的輸入數(shù)據(jù)(x)時，可以預(yù)測該數(shù)據(jù)的輸出變量(Y)。

主要監(jiān)督問題可分為以下兩類問題 -

• 分類 - 當(dāng)有“黑色”，“教學(xué)”，“非教學(xué)”等分類輸出時，問題被稱為分類問題。
• 回歸 - 當(dāng)擁有“距離”，“千克”等真實值輸出時，問題就稱為回歸問題。

決策樹，隨機森林，knn，邏輯回歸是監(jiān)督機器學(xué)習(xí)算法的例子。

顧名思義，這類機器學(xué)習(xí)算法沒有任何主管提供任何指導(dǎo)。 這就是為什么無監(jiān)督機器學(xué)習(xí)算法與一些人們稱之為真正的人工智能密切相關(guān)的原因。 可以理解如下 -

假設(shè)有輸入變量x，那么在無監(jiān)督學(xué)習(xí)算法中就沒有相應(yīng)的輸出變量。

簡而言之，可以說在無監(jiān)督學(xué)習(xí)中，沒有正確的答案，也沒有教師指導(dǎo)。 算法有助于發(fā)現(xiàn)數(shù)據(jù)中有趣的模式。

無監(jiān)督學(xué)習(xí)問題可以分為以下兩類問題 -

• 聚類 - 在聚類問題中，我們需要發(fā)現(xiàn)數(shù)據(jù)中的固有分組。 例如，按顧客的購買行為分組。
• 關(guān)聯(lián) - 一個問題稱為關(guān)聯(lián)問題，因為這類問題需要發(fā)現(xiàn)描述大部分?jǐn)?shù)據(jù)的規(guī)則。 例如，找到同時購買 x 和 y 商品的顧客。

用于聚類的 K-means，Apriori 關(guān)聯(lián)算法是無監(jiān)督機器學(xué)習(xí)算法的例子。

增強機器學(xué)習(xí)算法 這些機器學(xué)習(xí)算法的使用量非常少。 這些算法訓(xùn)練系統(tǒng)做出特定的決定。 基本上，機器暴露在使用試錯法不斷訓(xùn)練自己的環(huán)境中。 這些算法從過去的經(jīng)驗中學(xué)習(xí)并嘗試捕獲最佳可能的知識以做出準(zhǔn)確的決策。 馬爾可夫決策過程就是增強機器學(xué)習(xí)算法的一個例子。