Einführung in das maschinelle Lernen

Training ist eine universelle Fähigkeit, die jedem lebenden Organismus auf dem Planeten innewohnt.

Lernen ist der Erwerb von Wissen und Fähigkeiten durch Erfahrung oder Studium. Das verbindet uns und macht uns gleichzeitig einzigartig. Dies ist, was sich im Laufe der Zeit entwickelt.



Was ist, wenn ich sage: "Autos können auch lernen"?

Wir leben in einer erstaunlichen Zeit der Entwicklung von Robotik, künstlicher Intelligenz und maschinellem Lernen. Maschinelles Lernen ist noch ein ziemlich neues Konzept. Wir können Maschinen das Lernen beibringen, und einige Maschinen können selbst lernen. Die Magie!

Dieser Artikel führt Sie in die Grundlagen des maschinellen Lernens ein.
Das Wichtigste, was Sie verstehen müssen: Maschinen können die Zukunft anhand der Vergangenheit vorhersagen.

Was ist maschinelles Lernen?

Beim maschinellen Lernen wird davon ausgegangen, dass ein Computer Muster anhand von Beispielen erkennt, anstatt mit bestimmten Regeln programmiert zu werden. Diese Muster sind in den Daten enthalten.

Maschinelles Lernen ist die Erstellung von Algorithmen (eine Reihe von Regeln), die aus komplexen Funktionen (Vorlagen) aus Daten lernen und Vorhersagen treffen.

Dies geschieht in 3 Schritten :
1) Datenanalyse
2) Muster finden
3) Musterbasierte Vorhersage

Anwendung für maschinelles Lernen

Überblick darüber, wo maschinelles Lernen eingesetzt werden kann

• Gesundheitswesen: Vorhersage von Patientendiagnosen für Ärzte
• Soziales Netzwerk: Vorhersage der Kompatibilität auf einer Dating-Site
• Finanzen: Prognose von Kreditkartenbetrug
• E-Commerce: Vorhersage des Kundenabflusses
• Biologie: Suche nach Mustern von Genmutationen, die Krebs verursachen können

Wie lernen Autos?

Ich möchte Sie nicht verwirren, daher möchte ich nur sagen, dass Maschinen lernen, indem sie ähnliche Daten in großen Datenmengen finden. Je mehr Daten an die Maschine übertragen werden, desto „intelligenter“ wird sie.

Nicht alle Daten sind gleich. Stellen Sie sich vor, Sie sind ein Pirat und Ihr Ziel ist es, irgendwo auf der Insel einen Schatz zu finden. Dazu benötigen Sie viele Informationen. Diese Informationen können Sie wie Daten entweder in die richtige oder in die falsche Richtung führen. Je genauer die empfangenen Informationen / Daten sind, desto größer sind die Erfolgschancen. Daher ist es wichtig, die Art der Daten zu berücksichtigen, mit denen das Training stattfinden wird.

Nach genügend Daten kann die Maschine jedoch Vorhersagen treffen. Maschinen können die Zukunft vorhersagen, bis sich die Zukunft stark von der Vergangenheit unterscheidet.

Arten des maschinellen Lernens

Es gibt drei Hauptkategorien des maschinellen Lernens:

Überwachtes Lernen : Die Maschine lernt aus den ausgewählten Daten. Normalerweise werden Daten von Personen notiert.

Unbeaufsichtigtes Lernen : Die Maschine lernt nicht aus den ausgewählten Daten. Der Punkt ist, dass es unter den Daten keine „richtige“ Antwort gibt, die Maschine muss die Beziehung zwischen den Objekten finden.

Verstärkungslernen : Eine Maschine lernt durch ein belohnungsbasiertes System.

1. Betreutes Lernen (Lehrerausbildung)

Das Lernen mit einem Lehrer ist die häufigste und am besten untersuchte Art des maschinellen Lernens, da es einfacher ist, eine Maschine mit ausgewählten Daten zu trainieren. Je nachdem, was Sie vorhersagen möchten, können Sie mit einem Lehrer zwei Arten von Problemen lösen: das Regressionsproblem und das Klassifizierungsproblem.

Regressionsziel:

Wenn Sie kontinuierliche Werte vorhersagen möchten, versuchen Sie beispielsweise, den Wert eines Hauses oder das Wetter auf der Straße in Grad vorherzusagen, verwenden Sie die Regression. Diese Art von Aufgabe hat keine bestimmte Wertebegrenzung, da der Wert ohne Einschränkungen eine beliebige Anzahl sein kann.

Klassifizierungsaufgabe:

Wenn Sie diskrete Werte vorhersagen möchten, z. B. etwas kategorisieren, verwenden Sie die Klassifizierung. Die Frage „Wird eine Person einen Kauf tätigen?“ Hat eine Antwort, die in zwei spezifische Kategorien fällt: Ja oder Nein. Die Anzahl der gültigen Antworten ist natürlich.

2. Unbeaufsichtigtes Lernen (Lernen ohne Lehrer)

Da Maschinen keine markierten Daten für das Training haben, besteht der Zweck des maschinellen Lernens ohne Lehrer darin, Muster in den Daten zu erkennen und zu gruppieren.
Lernen ohne Lehrer löst zwei Arten von Problemen: das Clustering-Problem und die Aufgabe, assoziative Regeln zu finden.

Die Aufgabe des Clustering:

Lernen ohne Lehrer löst das Problem der Clusterbildung und findet Ähnlichkeiten in den Daten. Wenn es einen gemeinsamen Cluster oder eine gemeinsame Gruppe gibt, klassifiziert der Algorithmus diese in einer bestimmten Form. Ein Beispiel hierfür ist die Gruppierung von Kunden anhand ihrer früheren Einkäufe.

Die Aufgabe, assoziative Regeln zu finden:

Lernen ohne Lehrer löst dieses Problem, indem versucht wird, die Regeln und die Bedeutung verschiedener Gruppen zu verstehen. Ein markantes Beispiel ist die Suche nach der Beziehung zwischen Kundenkäufen. Geschäfte können herausfinden, welche Produkte zusammen gekauft wurden, und diese Informationen für den Verkauf verwenden. Eine Studie ergab, dass ein enger Zusammenhang zwischen dem Kauf von Bier und Windeln besteht. Es stellte sich heraus, dass Männer, die Windeln für ihre Kinder kauften, auch dazu neigen, Bier für sich selbst zu kaufen.

3. Verstärkungslernen

Diese Art des maschinellen Lernens erfordert die Verwendung eines Belohnungs- / Strafsystems. Das Ziel ist es, das Auto zu belohnen, wenn es richtig lernt, und die Maschine zu bestrafen, wenn es falsch lernt.

Beispiele für Verstärkungslernen

- Lernmaschinen lernen, wie man spielt ( Schach, Los )
- Super Mario , wie man lernt und spielt

Wir haben über die Grundlagen des maschinellen Lernens gesprochen. Das Thema ist interessant und vielversprechend. Nehmen Sie sich also keine Zeit, um mehr zu lernen.

Ein Leitfaden für Anfänger zum maschinellen Lernen :)