Algoritmos de aprendizado de máquina | Introdução ao aprendizado de máquina

Tipos de aprendizado de máquina

1. Aprendizagem supervisionada: Em um modelo de aprendizagem supervisionada, o algoritmo aprende em um conjunto de dados rotulado para gerar previsões esperadas para a solução de novos dados.

P.ej; Para previsão de preços de residências, primeiro precisamos de dados sobre habitações, como; pé quadrado, não. de quartos, a casa tem jardim ou não, e assim por diante. Então, precisamos saber os preços dessas casas, Em outras palavras; rótulos de classe. Agora que os dados vêm de centenas de casas, suas características e preços, agora podemos treinar um modelo de aprendizado de máquina supervisionado para prever o preço de uma nova casa com base em experiências anteriores do modelo.

A aprendizagem supervisionada é de dois tipos:

uma) Classificação: Em classificação, um programa de computador treina em um conjunto de dados de treinamento e, de acordo com o treinamento, categorizar os dados em diferentes rótulos de classe. Este algoritmo é usado para prever os valores discretos como masculinos | mulher, verdade | falso, Spam | sem spam, etc.

P.ej; Detecção de spam, acreditação de voz, identificação de células cancerosas, etc.

Tipos de algoritmos de classificação:

• Classificador Naive Bayes
• Árvores de decisão
• Regressão logística
• Vizinhos mais próximos
• Máquinas de vetor de suporte
• Classificação de floresta aleatória

b) Regressão: A tarefa do algoritmo de regressão é encontrar a função de mapeamento para mapear as variáveis ​​de entrada (x) para variável de saída contínua (e). Algoritmos de regressão são usados ​​para prever valores contínuos, como preço, salário, era, notas, etc.

P.ej; Previsão de tempo, previsão do preço da casa, detecção de notícias falsas, etc.

Tipos de algoritmos de regressão:

• Regressão linear simples
• Regressão linear múltipla
• regressão polinomial
• Regressão da árvore de decisão
• Regressão de floresta aleatória
• Método de definição

2. Aprendizagem não supervisionada: Em um modelo de aprendizagem não supervisionado, o algoritmo aprende em um conjunto de dados não rotulado e tenta fazer sentido extraindo recursos, co-ocorrência e padrões subjacentes sozinhos.

P.ej; Detecção de anomalia, incluindo detecção de fraude. Outro exemplo é a abertura de hospitais de emergência para áreas de maior risco de acidentes.. Clustering K-means irá agrupar essas localizações de áreas propensas máximas em clusters e definir um centro de cluster (Em outras palavras, hospital) para cada grupo (Em outras palavras, áreas propensas a acidentes).

Tipos de aprendizagem não supervisionada:

• Agrupamento
• Detecção de anomalia
• Associação
• Codificadores de carros
• Modelos de variáveis ​​latentes
• Redes neurais

3. Aprendizagem por reforço: Aprendizagem por reforço é um tipo de aprendizagem de máquina em que o modelo aprende a se comportar em um ambiente executando algumas ações e analisando as reações. RL toma as medidas adequadas para maximizar a solução positiva na situação particular. O modelo de reforço decide quais ações tomar para realizar uma determinada tarefa, é por isso que ele é obrigado a aprender com a própria experiência.

P.ej; Vamos dar um exemplo de um bebê aprendendo a andar. No primeiro caso, quando o bebê começa a andar e chega ao chocolate, dado que o chocolate é o objetivo final do bebê e a solução do bebê é positiva porque ele está feliz. No segundo caso, quando o bebê começa a andar e enquanto caminha é atingido pela cadeira e não consegue pegar o chocolate, começa a chorar, o que é uma resposta negativa. Em outras palavras, como os humanos aprendem com rastros e erros. Aqui, o bebê é o “agente”, chocolate é o “recompensa” e muitos obstáculos entre. Agora o agente tenta de várias maneiras e descobre a melhor maneira viável de obter a recompensa.

Ciclo de vida do aprendizado de máquina

O aprendizado de máquina ajuda a aumentar o desempenho da tarefa e a produtividade. Inclui aprendizagem e autocorreção quando apresentados a novos dados.

O ciclo de vida do aprendizado de máquina envolve seis etapas principais:

Paso 1: coleta de dados

Identifique várias fontes de dados como Kaggle e colete o conjunto de dados necessário

Paso 2: pré-processamento de dados e EDA

Nesta etapa, fazemos uma análise dos dados em busca de valores perdidos, dados duplicados, dados inválidos usando diferentes técnicas analíticas. E também pré-processar os dados para extrações de recursos, análise de recursos e visualização de dados.

Paso 3: trem modelo

Usamos um conjunto de dados para treinar o modelo usando vários algoritmos de aprendizado de máquina. Treinar um modelo é essencial para que ele possa entender os vários padrões, regras e características.

Paso 4: modelo de teste

Nesta etapa, verificamos a precisão do nosso modelo, fornecendo um conjunto de dados de teste para o modelo treinado.

Paso 5: Implementação de modelo

Implementação de modelo significa integrar um modelo de aprendizado de máquina em um ambiente de produção existente que obtém entradas e retorna resultados para tomar decisões de negócios baseadas em dados. Várias tecnologias que você pode usar para colocar seus modelos de aprendizado de máquina em prática são listadas.:

• Arrumação
• Governadores
• AWS SageMaker
• MLFlow
• Serviço de aprendizado de máquina do Azure

Paso 6: Monitoramento de modelo

Após a implementação do modelo, aqui vem o monitoramento de modelo, que monitora seus modelos de aprendizado de máquina em busca de fatores como erros, falhas e latência e, o mais importante, para garantir que seu modelo mantenha o desempenho desejado. O monitoramento do modelo é muito importante, pois seus modelos irão degradar ao longo do tempo devido a vários fatores, como dados invisíveis, mudanças no ambiente e relações entre as variáveis.

Algumas aplicações de aprendizado de máquina no mundo real

• Tradução automática de idiomas no Google Translate
• Seleção de rota mais rápida no motor de busca Google Map
• Carro sem motorista / Autônomo
• Smartphone com credenciamento facial
• Acreditação de voz
• Sistema de recomendação de anúncios
• Sistema de recomendação Netflix
• Sugestão de marcação automática de amigos no Facebook
• Negociação do mercado de ações
• Detecção de fraude
• Previsão de tempo
• Diagnóstico médico
• Chatbot
• Aprendizado de máquina na agricultura

Benefícios do aprendizado de máquina

• Automação de trabalho
• Capacidade preditiva poderosa
• Aumento das vendas no mercado de e-commerce.
• Benefícios do AA no domínio médico para impulsionar o diagnóstico médico e o desenvolvimento de medicamentos
• O aprendizado de máquina é usado em cirurgia médica robótica
• ML em finanças aumenta a produtividade, melhora a receita e fornece transações seguras
• Modele os dados para tomar decisões úteis

Resumo

O aprendizado de máquina pode ser usado em quase todos os setores da vida humana para fazer nosso trabalho eficiente, robusto, e Simples. Como sabemos, tudo tem seus prós e contras, o aprendizado de máquina também tem suas desvantagens, como um exemplo, com a ascensão do aprendizado de máquina, muitas pessoas podem perder seu emprego atual no palco. Mas mais em um tom bombástico Está benéfico no longo prazo para humanidade.