3 Jenis Pembelajaran Mesin - dummies

< Pembelajaran mesin datang dalam banyak perisa yang berlainan, bergantung kepada algoritma dan objektifnya. Anda boleh membahagikan algoritma pembelajaran mesin ke dalam tiga kumpulan utama berdasarkan tujuan mereka:

Pembelajaran yang diselia

• Pembelajaran tanpa pengawasan
• Pengukuhan pembelajaran
• Pembelajaran yang diselia

Pembelajaran yang diselia

berlaku apabila algoritma belajar dari contoh data dan tindak balas sasaran yang berkaitan yang boleh terdiri daripada nilai angka atau label rentetan, seperti kelas atau tag, untuk kemudian meramalkan tindak balas yang betul apabila ditimbulkan dengan contoh baru. Pendekatan yang diawasi memang sama dengan pembelajaran manusia di bawah pengawasan seorang guru. Guru menyediakan contoh yang baik untuk pelajar menghafal, dan pelajar kemudiannya memperoleh peraturan am dari contoh-contoh khusus ini.

Anda perlu membezakan antara masalah regresi, yang sasaran adalah nilai numerik, dan masalah klasifikasi, yang sasarannya adalah pemboleh ubah kualitatif, seperti kelas atau tag. Satu tugas regresi menentukan purata harga rumah di kawasan Boston, dan tugas pengelasan membezakan antara jenis bunga iris berdasarkan langkah sepal dan kelopak mereka.

Pembelajaran tanpa pengawasan

Pembelajaran tanpa pengawasan

berlaku apabila algoritma belajar daripada contoh biasa tanpa sebarang tindak balas yang berkaitan, meninggalkan algoritma untuk menentukan corak data dengan sendirinya. Algoritma jenis ini cenderung untuk menyusun semula data ke dalam sesuatu yang lain, seperti ciri-ciri baru yang mungkin mewakili kelas atau siri baru yang tidak dikecilkan. Mereka sangat berguna dalam memberikan pandangan manusia kepada makna data dan input berguna yang baru kepada algoritma pembelajaran mesin yang diawasi.

Sebagai sejenis pembelajaran, ia menyerupai kaedah yang digunakan oleh manusia untuk memikirkan objek atau peristiwa tertentu dari kelas yang sama, seperti dengan memerhatikan tahap keserupaan antara objek. Beberapa sistem cadangan yang anda dapati di web dalam bentuk automasi pemasaran adalah berdasarkan jenis pembelajaran ini.

Algoritma automasi pemasaran memperoleh cadangannya dari apa yang telah anda beli pada masa lalu. Cadangan dibuat berdasarkan anggaran kumpulan pelanggan yang paling anda sukai dan kemudian menyimpulkan kemungkinan pilihan anda berdasarkan kumpulan itu.

Pengukuhan pembelajaran

Penguatkan pembelajaran

berlaku apabila anda membentangkan algoritma dengan contoh-contoh yang kurang label, seperti dalam pembelajaran tanpa pengawasan. Bagaimanapun, anda boleh mengiringi contoh dengan maklum balas positif atau negatif mengikut penyelesaian algoritma yang dicadangkan.Pembelajaran peneguhan disambungkan kepada aplikasi yang mana algoritma mesti membuat keputusan (jadi produk itu adalah preskriptif, bukan hanya deskriptif, seperti dalam pembelajaran tanpa pengawasan), dan keputusannya membawa akibat. Dalam dunia manusia, ia sama seperti pembelajaran melalui percubaan dan kesilapan. Kesilapan membantu anda belajar kerana mereka mempunyai penalti tambah (kos, kehilangan masa, penyesalan, kesakitan, dan sebagainya), mengajar anda bahawa tindakan tertentu mungkin kurang berjaya daripada yang lain. Contoh yang menarik mengenai pembelajaran tetulang berlaku apabila komputer belajar memainkan permainan video dengan sendirinya.

Dalam kes ini, satu aplikasi membentangkan algoritma dengan contoh situasi tertentu, seperti mempunyai pemain video yang terperangkap dalam labirin sambil mengelakkan musuh. Aplikasi ini membolehkan algoritma mengetahui hasil tindakan yang diambil, dan pembelajaran berlaku ketika berusaha untuk menghindari apa yang ditemukannya berbahaya dan untuk meneruskan hidup. Anda boleh melihat bagaimana syarikat DeepMind Google telah membuat program pembelajaran tetulang yang memainkan permainan video Atari lama. Apabila menonton video, perhatikan bagaimana program pada awalnya kekok dan tidak mahir tetapi terus bertambah dengan latihan sehingga menjadi juara.