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.
A mídia mostrada nesta postagem não é propriedade da DataPeaker e é usada a critério do autor.