Introduction à l'apprentissage automatique pour les débutants absolus

Cet article a été publié dans le cadre du Blogathon sur la science des données.

introduction

C'était vraiment un bon film, mais il nous faudra certainement du temps pour rencontrer un vrai T-100

Ici, dans cet article, nous verrons ce qu'est exactement l'apprentissage automatique et pourquoi il est si tendance aujourd'hui. Cet article est créé pour toute personne qui commence à entrer dans le monde de l'apprentissage automatique. Considérez ceci comme un guide d'apprentissage automatique pour NOOBS. A la fin de ce blog, J'ai également créé une section FAQ pour répondre à certaines des questions courantes sur l'apprentissage automatique. Donc sans plus d'expiration, commençons.

Si vous êtes intéressé par une carrière dans la science des données et que vous souhaitez commencer à apprendre ces algorithmes et techniques avec des projets pertinents pour l'industrie, consultez notre Ceinture noire certifiée AI et ML Accélérer programme ici.

Qu'est-ce que l'apprentissage automatique?

Avant de comprendre le sens du machine learning de manière simplifiée, Regardons les définitions formelles de l'apprentissage automatique.

Définition 1:

L'apprentissage automatique dans sa forme la plus élémentaire consiste à utiliser des algorithmes pour analyser les données, apprendre d'eux et ensuite faire une détermination ou une prédiction sur quelque chose dans le monde. – NVIDIA

Définition 2:

L'apprentissage automatique est la science qui consiste à faire fonctionner les ordinateurs sans être explicitement programmés.- Stanford

Définition 3:

L'apprentissage automatique est basé sur des algorithmes qui peuvent apprendre des données sans s'appuyer sur une programmation basée sur des règles.-McKinsey & Co.

Définition 4:

Les algorithmes d'apprentissage automatique peuvent comprendre comment accomplir des tâches importantes en généralisant à partir d'exemples.-Université de Washington

Toutes les définitions ci-dessus sont techniquement valables et fournies par des experts dans ce domaine.; cependant, pour quelqu'un qui découvre l'apprentissage automatique, ces définitions peuvent sembler un peu difficiles. Comment c'est un guide d'apprentissage automatique pour les débutants, créons notre définition de l'apprentissage automatique d'une manière noobs :)

Définition simplifiée de l'apprentissage automatique:

L'apprentissage automatique est la capacité de la machine à apprendre par elle-même

attendre à. C'est tout. Est-ce la définition de l'apprentissage automatique?

Bon, Oui, en termes simples, c'est la définition de l'apprentissage automatique. À présent, comment est-on arrivé à cette définition, comment une machine apprend et comment elle peut résoudre l'un des problèmes les plus difficiles au monde, c'est quelque chose que nous verrons plus tard.

Une explication de l'apprentissage automatique

Ensuite, Comment fonctionne l'apprentissage automatique? Bon, laisse moi te montrer une photo.

Ici, que voyez-vous?

Vous pouvez voir qu'il y a deux robots là-bas., appelons-les des machines dans ce contexte et il y a des humains qui enseignent ces machines. Bon, c'est l'apprentissage automatique en un mot. En apprentissage automatique, nous ne codons pas explicitement les machines sur la façon de résoudre un problème particulier. Au lieu, nous donnons à la machine les compétences pour qu'elle puisse résoudre le problème et essayer de le résoudre par elle-même.

Ingrédients de l'apprentissage automatique

Pour que tout algorithme d'apprentissage automatique fonctionne correctement, quatre ingrédients sont nécessaires.

1.Données: données d'entrée fournies à l'algorithme d'apprentissage automatique

2.Modèle: algorithme d'apprentissage automatique que nous allons construire

3.Objectif Fonction: mesure à quel point la production attendue est proche de la production réelle

4.Algorithme d'optimisation: un cycle d'essais

Pour expliquer ces termes plus rapidement, Je vais expliquer ces ingrédients tout en expliquant les types d'apprentissage automatique.

Types d'apprentissage automatique

Selon la façon dont le processus d'apprentissage est effectué pour la machine, l'apprentissage automatique est classé en 3 Catégories principales

1.Enseignement supervisé

2.Apprentissage non supervisé

3.Apprentissage par renforcement

REMARQUE: Aquí en esta publicación te voy a explicar sobre el enseignement superviséL’apprentissage supervisé est une approche d’apprentissage automatique dans laquelle un modèle est formé à l’aide d’un ensemble de données étiquetées. Chaque entrée du jeu de données est associée à une sortie connue, permettre au modèle d’apprendre à prédire les résultats pour de nouvelles entrées. Cette méthode est largement utilisée dans des applications telles que la classification d’images, Reconnaissance vocale et prédiction de tendances, soulignant son importance dans..., sans surveillance et par renfort.

Enseignement supervisé

Comprenons l'apprentissage supervisé à l'aide d'une image.

Supposons que la personne sur cette image soit vous et que le robot soit votre ami, Chuck llamémosle. Vous jouez avec le jeu « Devinez les fruits » le mandrin. Dans ce jeu, tu montreras à Chuck quelques photos de fruits et Chuck, en même temps, devinez quel est ce fruit.

Maintenant, comprenons l'apprentissage supervisé à partir des perspectives suivantes:

1.Données: Ici sur cette photo, tu as des images de fruits, c'est tes données.

2.Modèle: Ton ami Chuck est notre modèle. Techniquement, le modèle peut être n'importe quoi. C'est aussi simple qu'un algorithme ou une fonction de régression ou une équation.

3.Objectif Fonction: c'est quelque chose qui calcule à quel point le résultat de Chuck est proche du résultat réel

4.Algorithme d'optimisation: après avoir joué plusieurs fois à ce jeu, a décidé de mettre à niveau le processeur, la RAM et le capteur d'image pour le mandrin afin que vous puissiez voir les images plus clairement et, parce que le CPU et la RAM sont plus rapides, peut traiter ces images plus rapidement. Consideremos esa serie de pasos como algoritmos y este es ahora nuestro Algorithme d’optimisationUn algorithme d’optimisation est un ensemble de règles et de procédures conçues pour trouver la meilleure solution à un problème spécifique, Optimisation ou réduction d’une fonction cible. Ces algorithmes sont fondamentaux dans divers domaines, comme l’ingénierie, L’économie et l’intelligence artificielle, où elle cherche à améliorer l’efficacité et à réduire les coûts. Les approches sont multiples, y compris les algorithmes génétiques, Programmation linéaire et méthodes d’optimisation combinatoire.....

Maintenant, la question est de savoir pourquoi cela s'appelle l'apprentissage supervisé ??

Bon, c'est clair à partir de l'image elle-même. Affiche des images de mandrin et, en même temps, vérifier c'est donner une réponse. Si vous devinez correctement, répondu oui, au contraire, répondu maintenant. Finalement, vous supervisez Chuck pour identifier correctement le fruit montré dans l'image et c'est pourquoi le nom est surveillé.

Apprentissage non supervisé

Comprenons l'apprentissage non supervisé à l'aide d'une image.

Vous et Chuck avez aimé jouer au jeu de devinettes.. Cependant, avoir une réunion de bureau importante pour rattraper son retard. Pendant, pour garder Chuck occupé, tu lui donnes un autre jeu. Cette fois, tu as mis une photo avec des fruits sur la table et tu as dit à Chuck de trier ces fruits et tu es allé à la réunion.

À présent, comprendamos el Apprentissage non superviséL’apprentissage non supervisé est une technique d’apprentissage automatique qui permet aux modèles d’identifier des modèles et des structures dans des données sans étiquettes prédéfinies. Grâce à des algorithmes tels que les k-moyennes et l’analyse en composantes principales, Cette approche est utilisée dans une variété d’applications, comme la segmentation de la clientèle, Détection d’anomalies et compression de données. Sa capacité à révéler des informations cachées en fait un outil précieux dans le... desde las siguientes perspectivas:

1.Données: Image qui a plusieurs fruits.

2.Modèle: Chuck lui-même

3.Objectif Fonction: Chuck classe-t-il correctement les fruits?

4.Algorithme d'optimisation: –

Puisque tu es en réunion, Chuck doit jouer à ce jeu seul. Mais cette fois-ci, après avoir vu ces images, Chuck s'est trompé sur la façon de les classer. Chuck est maintenant devenu confus et a commencé à faire cette activité par lui-même.

Maintenant, la question est de savoir pourquoi cela s'appelle l'apprentissage non supervisé ??

Bon, encore une fois, c'est clair à partir de l'image elle-même :). Puisque tu es en réunion, il n'y a personne pour superviser Chuck et il doit le découvrir par lui-même. Manque d'encadrement et, donc, c'est ce qu'on appelle l'apprentissage non supervisé.

Une chose que vous pourriez demander est pourquoi je n'ai rien mentionné dans l'algorithme d'optimisation. La raison en est que dans l'apprentissage non supervisé, puisque nous ne surveillons pas la machine sur la façon de résoudre notre problème, la machine doit comprendre cela par elle-même et effectuer ses propres optimisations.

Apprentissage renforcé

Laissez-moi vous expliquer le dernier sujet restant de l'apprentissage automatique à l'aide d'une image.

Le apprentissage par renforcementL’apprentissage par renforcement est une technique d’intelligence artificielle qui permet à un agent d’apprendre à prendre des décisions en interagissant avec un environnement. Par le biais de commentaires sous forme de récompenses ou de punitions, L’agent optimise son comportement pour maximiser les récompenses accumulées. Cette approche est utilisée dans une variété d’applications, Des jeux vidéo à la robotique en passant par les systèmes de recommandation, se démarquant par sa capacité à apprendre des stratégies complexes.... es bastante complicado de explicar. Laissez-moi essayer d'expliquer cela à l'aide de l'exemple ci-dessus.

Imaginez que vous enseignez à votre chien, appelons-le fido pour obtenir un bâton. Chaque fois que Fido recherche avec succès le bâton, tu lui as offert une friandise (un os, Disons). Finalement, Fido a reconnu ce modèle, et à chaque fois que tu lances un bâton, essayez de le rechercher le plus rapidement possible pour obtenir une récompense (un os), résultant en une diminution du temps de récupération.

Bon, c'est l'apprentissage par renforcement en un mot.

FAQ sur l'apprentissage automatique

1. Qu'est-ce qu'un modèle en apprentissage automatique?

En termes simples, un modèle peut être n'importe quoi. Cela peut être votre algorithme d'apprentissage automatique implémenté dans R ou Python ou cela peut être aussi simple qu'une équation mathématique

Les données sont-elles nécessaires au fonctionnement d'un algorithme de machine learning ??

Oui, beaucoup de données sont nécessaires pour qu'un algorithme d'apprentissage automatique fonctionne. Aucune donnée, pas d'apprentissage automatique.

3. Où est l'apprentissage automatique dans l'univers de la science des données ??

Informatique -> Science des données -> Apprentissage automatique

4.Quand utiliser quel type d'algorithme d'apprentissage automatique?

Bon, c'est difficile de décider. Il n'y a pas de réponse précise à cela.. Cela dépend complètement du type de problème que vous essayez de résoudre. Mais en un mot,

1. Enseignement supervisé: ne pas. Régression, classification

2.Apprentissage non supervisé: ne pas. Regroupement

3. Apprentissage par renforcement: ne pas. Voiture autonome

5. Quel langage utiliser pour créer des algorithmes d'apprentissage automatique?

C'est à vous de décider quel langage de programmation vous souhaitez utiliser. Si un langage de programmation offre de meilleures fonctionnalités qu'un autre, utilise le. Il n'y a pas de vrai ou de faux.

Si vous aimez ce post, partagez vos commentaires sur [email protégé]

Shrish Mohadarkar

https://www.linkedin.com/in/shrish-mohadarkar-060209109

En rapport