machine-learning
Uczenie maszynowe i jego klasyfikacja

Co to jest uczenie maszynowe?

Oferowane są dwie definicje uczenia maszynowego. Artur Samuel opisał to jako:

dziedzina nauki, która daje komputerom możliwość uczenia się bez wyraźnego programowania.

To jest starsza, nieformalna definicja.

Tom Mitchell zapewnia bardziej nowoczesną definicję:

Mówi się, że program komputerowy uczy się z doświadczenia E w odniesieniu do pewnej klasy zadań T i miary wydajności P, jeśli jego wydajność na zadaniach w T, mierzona przez P, poprawia się wraz z doświadczeniem E.

Przykład: gra w warcaby.

E = doświadczenie grania w wiele gier w warcaby

T = zadanie gry w warcaby.

P = prawdopodobieństwo, że program wygra następną grę.

Ogólnie rzecz biorąc, każdy problem uczenia maszynowego można przypisać do jednej z dwóch ogólnych klasyfikacji:

1. Nadzorowana nauka
2. Uczenie się bez nadzoru.

Co to jest nauka nadzorowana?

Uczenie nadzorowane to rodzaj algorytmu uczenia maszynowego, który wykorzystuje znany zestaw danych (zwany zestawem danych szkoleniowych) do prognozowania.

Kategoria nadzorowanego uczenia się:

1. Regresja: W przypadku problemu regresji próbujemy przewidzieć wyniki w ciągłym wyniku, co oznacza, że próbujemy odwzorować zmienne wejściowe na pewną funkcję ciągłą.
2. Klasyfikacja: W problemie z klasyfikacją próbujemy zamiast tego przewidzieć wyniki w postaci dyskretnej. Innymi słowy, staramy się mapować zmienne wejściowe na odrębne kategorie.

Przykład 1:

Biorąc pod uwagę dane dotyczące wielkości domów na rynku nieruchomości, spróbuj przewidzieć ich cenę. Cena jako funkcja wielkości jest ciągłym wyjściem, więc jest to problem regresji.

Przykład 2:

(a) Regresja - dla wartości ciągłej odpowiedzi. Na przykład biorąc pod uwagę zdjęcie osoby, musimy przewidzieć jej wiek na podstawie podanego zdjęcia

(b) Klasyfikacja - dla jakościowych wartości odpowiedzi, w których dane można podzielić na określone „klasy”. Na przykład biorąc pod uwagę pacjenta z guzem, musimy przewidzieć, czy guz jest złośliwy czy łagodny.

Czym jest uczenie się bez nadzoru?

Uczenie się bez nadzoru pozwala nam podchodzić do problemów, nie mając pojęcia, jak powinny wyglądać nasze wyniki. Możemy uzyskać strukturę na podstawie danych, w których niekoniecznie znamy wpływ zmiennych.

Przykład:

Klastrowanie: służy do eksploracyjnej analizy danych w celu znalezienia ukrytych wzorców lub grupowania danych. Zbierz kolekcję 1 000 000 różnych genów i znajdź sposób automatycznego grupowania tych genów w grupy, które są w jakiś sposób podobne lub powiązane różnymi zmiennymi, takimi jak długość życia, lokalizacja, role i tak dalej.