机器学习 - 类别

机器学习大致分为以下几类 −

机器学习类别

如上图所示,机器学习从左到右发展。

  • 最初,研究人员从监督学习开始。 这就是前面讨论的房价预测的情况。

  • 接下来是无监督学习,机器在没有任何监督的情况下自行学习。

  • 科学家们进一步发现,当机器以预期的方式完成工作时,奖励机器可能是一个好主意,并且出现了强化学习。

  • 很快,这些天可用的数据变得如此庞大,以至于迄今为止开发的传统技术无法分析大数据并为我们提供预测。

  • 因此,在我们的二进制计算机中创建的人工神经网络 (ANN) 中模拟了人脑的深度学习。

  • 这台机器现在可以利用当今可用的高计算能力和巨大的内存资源自行学习。

  • 现在观察到,深度学习已经解决了许多以前无法解决的问题。

  • 现在,通过奖励深度学习网络作为奖励,该技术得到了进一步的发展,最终出现了深度强化学习。

现在让我们更详细地研究这些类别中的每一个。


监督学习

监督学习类似于训练孩子走路。 你会握住孩子的手,教他如何把脚向前走,自己走路做示范等等,直到孩子学会自己走路。

回归

同样,在监督学习的情况下,您将具体的已知示例提供给计算机。 你说对于给定的特征值 x1,输出是 y1,对于 x2,它是 y2,对于 x3,它是 y3,依此类推。 根据这些数据,您让计算机计算出 x 和 y 之间的经验关系。

一旦机器以这种方式训练有足够数量的数据点,现在您将要求机器预测给定 X 的 Y。假设您知道这个给定 X 的 Y 的实际值,您将能够推断 机器的预测是否正确。

因此,您将使用已知的测试数据来测试机器是否已经学习。 一旦您对机器能够以所需的准确度(例如 80% 到 90%)进行预测感到满意,您就可以停止进一步训练机器。

现在,您可以安全地使用机器对未知数据点进行预测,或者让机器针对您不知道 Y 的真实值的给定 X 预测 Y。这种训练属于我们讨论过的回归之下 早些时候。

分类

您还可以使用机器学习技术来解决分类问题。 在分类问题中,您将性质相似的对象分类为一个组。 例如,在一组 100 名学生中,您可能希望根据他们的身高将他们分成三组 - 短、中和长。 测量每个学生的身高,你会将他们放在一个适当的组中。

现在,当一个新学生进来时,你会通过测量他的身高将他分到一个合适的组中。 通过遵循回归训练的原则,您将训练机器根据学生的特征(身高)对他进行分类。 当机器学习组是如何形成的时,它将能够正确地对任何未知的新生进行分类。 再一次,在将开发的模型投入生产之前,您将使用测试数据来验证机器是否已经学习了您的分类技术。

监督学习是人工智能真正开始其旅程的地方。 这种技术在几个案例中得到了成功应用。 您在机器上进行手写识别时使用了此模型。 已经开发了几种用于监督学习的算法。 您将在接下来的章节中了解它们。


无监督学习

在无监督学习中,我们没有为机器指定目标变量,而是问机器"你能告诉我关于 X 的什么?"。更具体地说,我们可能会问一些问题,例如给定一个庞大的数据集 X,"我们可以从 X 中得出的五个最佳组是什么?" 或"X 中哪些特征最常一起出现?"。要获得这些问题的答案,您可以理解机器推断策略所需的数据点数量将非常大。在监督学习的情况下,机器甚至可以用大约几千个数据点进行训练。然而,在无监督学习的情况下,被合理接受用于学习的数据点的数量从几百万开始。这些天来,数据通常很丰富。 理想情况下,数据需要整理。然而,在社交区域网络中不断流动的数据量,在大多数情况下,数据管理是一项不可能完成的任务。

下图显示了由无监督机器学习确定的黄点和红点之间的边界。 您可以清楚地看到,机器能够以相当好的精度确定每个黑点的类别。

无监督机器学习

资料来源:

https://chrisjmccormick.files.wordpress.com/2013/08/approx_decision_boun dary.png

无监督学习在许多现代人工智能应用中取得了巨大的成功,例如人脸检测、物体检测等。


强化学习

考虑训练一只宠物狗,我们训练宠物给我们带来一个球。 我们把球扔到一定距离,然后让狗把球拿回来给我们。每次狗做对了,我们都会奖励狗。 慢慢地,狗知道做正确的工作会给他奖励,然后狗开始每次都以正确的方式做工作。确切地说,这个概念应用于"强化"类型的学习。该技术最初是为机器玩游戏而开发的。 机器被赋予了一种算法来分析游戏每个阶段的所有可能动作。机器可以随机选择其中一种动作。 如果移动是正确的,机器就会得到奖励,否则它可能会受到惩罚。慢慢地,机器将开始区分正确和错误的动作,并在几次迭代后学会以更高的准确性解决游戏难题。随着机器玩越来越多的游戏,赢得游戏的准确性会提高。

整个过程可以用下图来描述 −

Game Puzzle

这种机器学习技术与监督学习的不同之处在于您不需要提供标记的输入/输出对。 重点是在探索新解决方案与利用学习解决方案之间找到平衡。


深度学习

深度学习是基于人工神经网络 (ANN) 的模型,更具体地说是卷积神经网络 (CNN)。 深度学习中使用了几种架构,例如深度神经网络、深度信念网络、递归神经网络和卷积神经网络。

这些网络已成功应用于解决计算机视觉、语音识别、自然语言处理、生物信息学、药物设计、医学图像分析和游戏等问题。还有其他几个领域主动应用了深度学习。 深度学习需要巨大的处理能力和海量数据,这些天通常很容易获得。

我们将在接下来的章节中更详细地讨论深度学习。


深度强化学习

深度强化学习 (DRL) 结合了深度学习和强化学习的技术。Q-learning 等强化学习算法现在与深度学习相结合,创建了一个强大的 DRL 模型。该技术在机器人、视频游戏、金融和医疗保健领域取得了巨大成功。许多以前无法解决的问题现在通过创建 DRL 模型得到解决。 在这个领域有很多研究正在进行,这也是工业界非常积极的追求。

到目前为止,您已经对各种机器学习模型进行了简要介绍,现在让我们稍微深入探讨一下这些模型下可用的各种算法。