Questo articolo è stato pubblicato nell'ambito del Blogathon sulla scienza dei dati.
introduzione
È stato davvero un bel film, ma di sicuro ci vorrà del tempo per incontrare un vero T-100 🙁
Qui, in questo articolo, vedremo cos'è esattamente l'apprendimento automatico e perché è così di tendenza oggi. Questo articolo è stato creato per chiunque stia iniziando ad entrare nel mondo del machine learning. Considera questa una guida di apprendimento automatico per NOOBS. alla fine di questo blog, Ho anche creato una sezione FAQ per rispondere ad alcune delle domande più comuni sull'apprendimento automatico.. Quindi niente più scadenza, Iniziamo.
Se sei interessato a una carriera nella scienza dei dati e vuoi iniziare ad apprendere questi algoritmi e tecniche con progetti rilevanti per il settore, consulta il ns Cintura nera certificata AI e ML Accelera programma qui.
Cos'è l'apprendimento automatico??
Prima di comprendere il significato del machine learning in modo semplificato, diamo un'occhiata alle definizioni formali di machine learning.
Definizione 1:
L'apprendimento automatico nella sua forma più elementare è la pratica di utilizzare algoritmi per analizzare i dati, impara da loro e poi fai una determinazione o una previsione su qualcosa nel mondo. – NVIDIA
Definizione 2:
L'apprendimento automatico è la scienza che consente ai computer di agire senza essere programmati in modo esplicito.- Stanford
Definizione 3:
L'apprendimento automatico si basa su algoritmi in grado di apprendere dai dati senza fare affidamento sulla programmazione basata su regole.-McKinsey & co.
Definizione 4:
Gli algoritmi di apprendimento automatico possono capire come svolgere compiti importanti generalizzando da esempi.-Università di Washington
Tutte le definizioni di cui sopra sono tecnicamente valide e sono fornite da esperti del settore.; tuttavia, per qualcuno che ha appena iniziato con l'apprendimento automatico, queste definizioni possono sembrare un po' difficili. Poiché questa è una guida di apprendimento automatico per i principianti, creiamo la nostra definizione di machine learning in modo da noob 😀
Definizione semplificata di machine learning:
L'apprendimento automatico è la capacità della macchina di apprendere da sola
Aspettarsi. Questo è tutto. È questa la definizione di machine learning?
Bene, sì, in parole povere, questa è la definizione di machine learning. Ora, come siamo arrivati a questa definizione, come una macchina impara e come può risolvere uno dei problemi più difficili del mondo, è qualcosa che vedremo più avanti.
Una spiegazione per l'apprendimento automatico
Quindi, come funziona l'apprendimento automatico? Bene, lascia che ti mostri una foto.
Qui cosa vedi?
Puoi vedere che ci sono due robot lì, chiamiamole macchine in questo contesto e ci sono umani che insegnano quelle macchine. Bene, questo è l'apprendimento automatico in poche parole. Nell'apprendimento automatico, non codifichiamo esplicitamente le macchine su come risolvere un particolare problema. Invece, diamo alla macchina le competenze in modo che possa risolvere il problema e provare a risolverlo da sola.
Ingredienti di apprendimento automatico
Affinché qualsiasi algoritmo di apprendimento automatico funzioni correttamente, sono necessari quattro ingredienti.
1.Dati: dati di input forniti all'algoritmo di apprendimento automatico
2.Modello: algoritmo di apprendimento automatico che costruiremo
3.Funzione obiettivo: misura quanto l'output previsto è vicino a quello effettivo
4.algoritmo di ottimizzazione: un ciclo di prova
Per spiegare questi termini più rapidamente, Spiegherò quegli ingredienti mentre spiego i tipi di apprendimento automatico.
Tipi di apprendimento automatico
A seconda di come viene eseguito il processo di apprendimento per la macchina, l'apprendimento automatico è classificato in 3 categorie principali
1.Apprendimento supervisionato
2.Apprendimento non supervisionato
3.Insegnamento rafforzativo
NOTA: Aquí en esta publicación te voy a explicar sobre el apprendimento supervisionatoEl aprendizaje supervisado es un enfoque de machine learning donde un modelo se entrena utilizando un conjunto de datos etiquetados. Cada entrada en el conjunto de datos está asociada a una salida conocida, lo que permite al modelo aprender a predecir resultados para nuevas entradas. Este método es ampliamente utilizado en aplicaciones como la clasificación de imágenes, el reconocimiento de voz y la predicción de tendencias, destacando su importancia en..., senza supervisione e per rinforzo.
Apprendimento supervisionato
Comprendiamo l'apprendimento supervisionato con l'aiuto di un'immagine.
Supponiamo che la persona in questa immagine sia tu e il robot sia tuo amico, llamémosle Chuck. stai giocando “indovina il frutto” il Chuck. In questo gioco, mostrerai a Chuck alcune foto di frutta e Chuck, allo stesso tempo, indovinerai cos'è quel frutto.
Ora comprendiamo l'apprendimento supervisionato dalle seguenti prospettive:
1.Dati: qui in questa foto, Hai qualche immagine di frutta?, quelli sono i tuoi dati.
2.Modello: Il tuo amico Chuck è il nostro modello. tecnicamente, il modello può essere qualsiasi cosa. È semplice come un algoritmo o una funzione o un'equazione di regressione.
3.Funzione obiettivo: questo è qualcosa che calcola quanto il risultato di Chuck è vicino al risultato effettivo
4.algoritmo di ottimizzazione: dopo aver giocato più volte a questo gioco, deciso di aggiornare la cpu, la RAM e il sensore di immagine per il mandrino in modo da poter vedere le immagini più chiaramente e, perché la CPU e la RAM sono più veloci, può elaborare quelle immagini più velocemente. Consideremos esa serie de pasos como algoritmos y este es ahora nuestro algoritmo de optimizaciónUn algoritmo de optimización es un conjunto de reglas y procedimientos diseñados para encontrar la mejor solución a un problema específico, maximizando o minimizando una función objetivo. Estos algoritmos son fundamentales en diversas áreas, como la ingeniería, la economía y la inteligencia artificial, donde se busca mejorar la eficiencia y reducir costos. Existen múltiples enfoques, incluyendo algoritmos genéticos, programación lineal y métodos de optimización combinatoria.....
Ora la domanda è: perché questo si chiama apprendimento supervisionato??
Bene, è chiaro dall'immagine stessa. Mostra le immagini del mandrino e, allo stesso tempo, controllare è dare una risposta. Se indovini correttamente, ha risposto si, altrimenti, ha risposto ora. Decisamente, stai monitorando il mandrino per identificare correttamente il frutto mostrato nell'immagine e quindi il nome viene monitorato.
Apprendimento non supervisionato
Capiamo l'apprendimento senza supervisione con l'aiuto di un'immagine.
Tu e Chuck vi siete divertiti a giocare a indovinare la frutta.. tuttavia, hai un'importante riunione d'ufficio da recuperare. Intanto, per tenere occupato Chuck, gli dai un altro gioco. Questa volta hai messo una foto con dei frutti sul tavolo e hai detto a Chuck di ordinare quei frutti e sei andato alla riunione.
Ora, comprendamos el aprendizaje no supervisadoEl aprendizaje no supervisado es una técnica de machine learning que permite a los modelos identificar patrones y estructuras en datos sin etiquetas predefinidas. A través de algoritmos como k-means y análisis de componentes principales, este enfoque se utiliza en diversas aplicaciones, como la segmentación de clientes, la detección de anomalías y la compresión de datos. Su capacidad para revelar información oculta lo convierte en una herramienta valiosa en la... desde las siguientes perspectivas:
1.Dati: Immagine che ha diversi frutti.
2.Modello: Chuck stesso 🙂
3.Funzione obiettivo: Chuck classifica correttamente i frutti?
4.algoritmo di ottimizzazione: –
visto che sei in riunione, Chuck deve giocare da solo a questo gioco. Ma questa volta, dopo aver visto quelle immagini, Chuck si è confuso su come classificarli. Chuck ora si è confuso e ha iniziato a svolgere questa attività da solo.
Ora la domanda è: perché questo si chiama apprendimento non supervisionato??
Bene, ancora una volta è chiaro dall'immagine stessa :). visto che sei in riunione, Non c'è nessuno a supervisionare Chuck e deve capirlo da solo.. Mancanza di supervisione e, così, questo è chiamato apprendimento non supervisionato.
Una cosa che potresti chiedere è perché non ho menzionato nulla sull'algoritmo di ottimizzazione. La ragione di ciò è che nell'apprendimento non supervisionato, dal momento che non stiamo supervisionando la macchina su come risolvere il nostro problema, la macchina deve capirlo da sola ed eseguire le proprie ottimizzazioni.
Apprendimento rinforzato
Lascia che ti spieghi l'ultimo argomento rimasto sull'apprendimento automatico con l'aiuto di un'immagine.
Il aprendizaje por refuerzoEl aprendizaje por refuerzo es una técnica de inteligencia artificial que permite a un agente aprender a tomar decisiones mediante la interacción con un entorno. A través de la retroalimentación en forma de recompensas o castigos, el agente optimiza su comportamiento para maximizar las recompensas acumuladas. Este enfoque se utiliza en diversas aplicaciones, desde videojuegos hasta robótica y sistemas de recomendación, destacándose por su capacidad de aprender estrategias complejas.... es bastante complicado de explicar. Provo a spiegarlo con l'aiuto dell'esempio sopra.
Immagina di insegnare al tuo cane, chiamiamolo fido per prendere un bastone. Ogni volta che Fido cerca con successo il bastone, gli hai offerto un regalo (un osso, Diciamo). Finalmente, Fido ha riconosciuto questo schema, e ogni volta che lanci un bastone, cerca di trovarlo il più velocemente possibile per ottenere una ricompensa (un osso), con conseguente minor tempo di recupero.
Bene, questo è in poche parole l'apprendimento per rinforzo.
Domande frequenti sull'apprendimento automatico
1. Che cos'è un modello nell'apprendimento automatico?
In parole povere, un modello può essere qualsiasi cosa. Può essere il tuo algoritmo di apprendimento automatico implementato in R o Python o può essere semplice come un'equazione matematica
Sono i dati necessari per il funzionamento di un algoritmo di apprendimento automatico?
sì, ci vogliono molti dati per far funzionare un algoritmo di apprendimento automatico. Nessun dato, nessun apprendimento automatico.
3. Dove si colloca il machine learning nell'universo della scienza dei dati??
Informatica -> Scienza dei dati -> Apprendimento automatico
4.Quando utilizzare che tipo di algoritmo di apprendimento automatico?
Bene, è difficile decidere. Non esiste una risposta specifica per questo. Dipende completamente dal tipo di problema che stai cercando di risolvere. Ma in poche parole,
1. Apprendimento supervisionato: non. Regressione, classificazione
2.Apprendimento non supervisionato: non. Raggruppamento
3. Insegnamento rafforzativo: non. auto autonoma
5. Quale linguaggio usare per creare algoritmi di machine learning?
Dipende totalmente da te quale linguaggio di programmazione vuoi usare. Se un linguaggio di programmazione offre funzionalità migliori di un altro, usalo. Non c'é giusto o sbagliato.
Se ti piace questo post, condividi i tuoi commenti su [e-mail protetta]
Shrish Mohadarkar
https://www.linkedin.com/in/shrish-mohadarkar-060209109
Il supporto mostrato in questo articolo non è di proprietà di DataPeaker e viene utilizzato a discrezione dell'autore.
