Algorithmes d'apprentissage automatique | Introduction à l'apprentissage automatique

Types d'apprentissage automatique

1. Enseignement supervisé: Dans un modèle d'apprentissage supervisé, l'algorithme apprend sur un ensemble de données étiqueté pour générer des prédictions attendues pour la solution aux nouvelles données.

P.ej; Pour la prévision des prix de l'immobilier, nous avons d'abord besoin de données sur les logements tels que; pied carré, non. de chambres, la maison a un jardin ou pas, et ainsi de suite. Il faut donc connaître les prix de ces maisons, En d'autres termes; étiquettes de classe. Maintenant que les données proviennent de centaines de maisons, ses caractéristiques et ses prix, nous pouvons maintenant former un modèle d'apprentissage automatique supervisé pour prédire le prix d'une nouvelle maison en fonction des expériences passées du modèle.

L'apprentissage supervisé est de deux types:

une) Classification: En Classement, un programme informatique s'entraîne sur un ensemble de données d'entraînement et, selon la formation, catégoriser les données dans différentes étiquettes de classe. Cet algorithme est utilisé pour prédire les valeurs discrètes comme mâle | Femme, vrai | faux, pourriel | Pas de spam, etc.

P.ej; Détection de spam, accréditation vocale, identification des cellules cancéreuses, etc.

Types d'algorithmes de classification:

• Classificateur naïf de Bayes
• Arbres de décision
• Régression logistique
• Les voisins les plus proches
• Soutenir les machines vectorielles
• Classification aléatoire des forêts

b) Régression: La tâche de l'algorithme de régression est de trouver la fonction de mappage pour mapper les variables d'entrée (X) à la variable de sortie continue (Oui). Des algorithmes de régression sont utilisés pour prédire des valeurs continues telles que le prix, un salaire, âge, notes, etc.

P.ej; Prédiction du temps, prévision du prix de l'immobilier, détection de fausses nouvelles, etc.

Types d'algorithmes de régression:

• Régression linéaire simple
• La régression linéaire multiple
• régression polynomiale
• Régression de l'arbre de décision
• Régression de forêt aléatoire
• Définir la méthode

2. Apprentissage non supervisé: Dans un modèle d'apprentissage non supervisé, l'algorithme apprend sur un ensemble de données non étiqueté et essaie de donner un sens en extrayant des caractéristiques, cooccurrence et modèles sous-jacents seuls.

P.ej; Détection d'une anomalie, y compris la détection des fraudes. Un autre exemple est l'ouverture d'hôpitaux d'urgence dans les zones les plus à risque d'accidents.. Le regroupement de K-means regroupera ces emplacements de zone sujette maximale en clusters et définira un centre de cluster (En d'autres termes, hôpital) pour chaque groupe (En d'autres termes, zones sujettes aux accidents).

Types d'apprentissage non supervisé:

• Regroupement
• Détection d'une anomalie
• Association
• Codeurs de voiture
• Modèles à variables latentes
• Les réseaux de neurones

3. Apprentissage par renforcement: L'apprentissage par renforcement est un type d'apprentissage automatique dans lequel le modèle apprend à se comporter dans un environnement en effectuant certaines actions et en analysant les réactions.. RL prend les mesures appropriées pour maximiser la solution positive dans la situation particulière. Le modèle de renforcement décide des actions à entreprendre pour effectuer une tâche donnée, c'est pourquoi il est obligé d'apprendre de l'expérience elle-même.

P.ej; Prenons l'exemple d'un bébé qui apprend à marcher. Dans le premier cas, quand le bébé commence à marcher et atteint le chocolat étant donné que le chocolat est l'objectif final du bébé et que la solution du bébé est positive étant donné qu'il est heureux. Dans le deuxième cas, quand le bébé commence à marcher et pendant qu'il marche est heurté par la chaise et ne peut pas obtenir le chocolat, commence à pleurer, ce qui est une réponse négative. En d'autres termes, comment les humains apprennent des traces et des erreurs. Ici, le bébé est le “agent”, le chocolat est le “récompense” et de nombreux obstacles entre les deux. Maintenant, l'agent essaie de différentes manières et découvre le meilleur moyen possible d'obtenir la récompense.

Cycle de vie de l'apprentissage automatique

L'apprentissage automatique aide à augmenter les performances des tâches et la productivité. Comprend l'apprentissage et l'autocorrection lorsqu'il est présenté avec de nouvelles données.

Le cycle de vie de l'apprentissage automatique comprend six étapes principales:

Paso 1: collecte de données

Identifiez plusieurs sources de données comme Kaggle et collectez l'ensemble de données requis

Paso 2: pré-traitement des données et EDA

Dans cette étape, nous faisons une analyse des données à la recherche des valeurs manquantes, données en double, données invalides en utilisant différentes techniques d'analyse. Et également prétraiter les données pour les extractions de caractéristiques, analyse des caractéristiques et visualisation des données.

Paso 3: train miniature

Nous utilisons un ensemble de données pour entraîner le modèle à l'aide de divers algorithmes d'apprentissage automatique. La formation d'un modèle est essentielle pour qu'il puisse comprendre les différents modèles, règles et caractéristiques.

Paso 4: modèle d'essai

Dans cette étape, nous vérifions l'exactitude de notre modèle en fournissant un ensemble de données de test au modèle entraîné.

Paso 5: Implémentation du modèle

La mise en œuvre d'un modèle signifie l'intégration d'un modèle d'apprentissage automatique dans un environnement de production existant qui prend des entrées et renvoie des résultats pour prendre des décisions commerciales basées sur les données.. Plusieurs technologies que vous pouvez utiliser pour mettre en pratique vos modèles d'apprentissage automatique sont répertoriées.:

• Arrimage
• Gouverneurs
• AWS SageMaker
• MLFlow
• Service d'apprentissage automatique Azure

Paso 6: Suivi du modèle

Après la mise en œuvre du modèle, voici la surveillance des modèles qui surveille vos modèles d'apprentissage automatique pour des facteurs tels que les erreurs, défaillances et latence et, le plus important, pour garantir que votre modèle conserve les performances souhaitées. La surveillance des modèles est très importante car vos modèles se dégraderont avec le temps en raison de divers facteurs, comme données invisibles, changements dans l'environnement et relations entre les variables.

Quelques applications du machine learning dans le monde réel

• Traduction automatique de la langue dans Google Translate
• Sélection d'itinéraire plus rapide dans le moteur de recherche Google Map
• Voiture sans conducteur / autonome
• Smartphone avec accréditation faciale
• Accréditation vocale
• Système de recommandation d'annonces
• Système de recommandation Netflix
• Suggestion de marquage automatique des amis sur Facebook
• Négociation boursière
• Détection de fraude
• Prédiction du temps
• Diagnostic médical
• Chatbot
• Apprentissage automatique en agriculture

Avantages de l'apprentissage automatique

• Automatisation du travail
• Puissante capacité prédictive
• Augmentation des ventes sur le marché du commerce électronique.
• Avantages des AA dans le domaine médical pour favoriser le diagnostic médical et le développement de médicaments
• L'apprentissage automatique est utilisé en chirurgie médicale robotique
• Le ML dans la finance augmente la productivité améliore les revenus et fournit des transactions sécurisées
• Modéliser les données pour prendre des décisions utiles

résumé

L'apprentissage automatique peut être utilisé dans presque tous les secteurs de la vie humaine pour faire notre travail efficace, robuste, Oui Sans complications. Comme nous savons, tout a ses avantages et ses inconvénients, l'apprentissage automatique a aussi ses inconvénients, par exemple, avec l'essor de l'apprentissage automatique, de nombreuses personnes peuvent perdre leur emploi de scène actuel. Mais plus d'un ton ampoulé est bénéfique à long terme pour humanité.