Uczenie maszynowe jest dziedziną sztucznej inteligencji, która umożliwia maszynom uczenie się bez wyraźnego programowania. Kluczową ideą uczenia maszynowego jest to, że można używać danych do trenowania algorytmu, co następnie pozwala algorytmowi na dokonywanie przewidywań lub podejmowanie decyzji w oparciu o nowe dane, których wcześniej nie widział. Istnieją dwa główne rodzaje uczenia maszynowego: nadzorowane i nienadzorowane.
Nadzorowane uczenie maszynowe wymaga zestawu danych szkoleniowych, gdzie każdy przykład w zestawie ma dwie części: (1) cechy dotyczące samego przykładu i (2) oczekiwaną wartość wyjściową dla przykładu. Algorytmy uczenia maszynowego używają zestawu treningowego do przewidywania wyników na podstawie danych wejściowych z nowych przykładów, co daje nam nasze przewidywania z uczenia nadzorowanego!
Uczenie maszynowe bez nadzoru nie opiera się na oznaczonych przykładach, tak jak jego kuzyn; zamiast tego, znajduje wzorce lub korelacje wśród danych wejściowych bez żadnych z góry określonych wartości wyjściowych! Ten rodzaj rozwiązywania problemów jest przydatny, gdy próbujesz dowiedzieć się, jakie są preferencje klientów lub jakie cechy najlepiej opisują pewne kategorie – ale pamiętaj, że ponieważ nie ma „właściwej” odpowiedzi podanej z góry (jak w przypadku uczenia nadzorowanego), będziesz miał więcej swobody podczas próbowania różnych kombinacji danych wejściowych, aż coś będzie wystarczająco interesujące, aby kontynuować badania w tym kierunku.
Nadzorowane uczenie maszynowe wymaga przykładów znanych wyników.
Nadzorowane uczenie maszynowe wymaga znanego wyniku. System otrzymuje zestaw informacji, zwany „zbiorem treningowym”, który zawiera zarówno dane wejściowe, jak i znane wyniki wyjściowe (na przykład obrazki z etykietami). Z tego zbioru treningowego model uczy się przewidywać wartość wyjściową na podstawie wartości wejściowej.
W nienadzorowanym uczeniu maszynowym komputer odkrywa własne reguły klasyfikacji informacji.
Kiedy używasz uczenia maszynowego bez nadzoru, komputer odkrywa swoje własne zasady klasyfikacji informacji. Może to być przydatne w znajdowaniu wzorców w danych, które w przeciwnym razie mogłyby być niewidoczne dla człowieka – np. gdy komputer uczy się rozpoznawać podobieństwa między obrazami na podstawie ich koloru i kształtu, a nie jest informowany o tym, co każdy obraz ma przedstawiać.
Uczenie maszynowe bez nadzoru jest wykorzystywane w rozpoznawaniu obrazów i przetwarzaniu języka naturalnego…