یادگیری ماشین(Machine Learning) - قسمت دوم و سوم

یادگیری در مقابل هوش

هوش مصنوعی نام یک حوزه دانش کاملاً مشابه زیست شناسی یا شیمی است.

آموزش ماشین بخشی از هوش مصنوعی است. بخش مهمی اما تنها نیست.

شبکه های عصبی یکی از انواع یادگیری ماشینی است. محبوب است ، اما افراد خوب دیگری نیز در کلاس حضور دارند.

یادگیری عمیق (Deep Learning) یک روش نوین در ساخت ، آموزش و استفاده از شبکه های عصبی است. در اصل ، این یک معماری جدید است. امروزه در عمل ، هیچ کس یادگیری عمیق را از "شبکه های عادی" جدا نمی کند. برای اینکه مانند Dumbass به نظر نرسید ، بهتر است فقط نوع شبکه را نام ببرید و از کلمات کلیدی خودداری کنید.

نقشه دنیای یادگیری ماشین

اگر به مدت طولانی خواندن بیش از حد تنبل هستید ، به تصویر زیر نگاهی بیندازید تا درک خاصی به دست آورید.

به یاد داشته باشید همیشه مهم است - هیچگاه تنها راه حل یک مشکل در دنیای یادگیری ماشین وجود ندارد. همیشه چندین الگوریتم وجود دارد که مناسب هستند و شما باید انتخاب کنید که کدامیک مناسب تر باشد. قطعاً همه چیز با یک شبکه عصبی قابل حل است اما چه کسی هزینه این همه GeForces را پرداخت خواهد کرد؟

1. یادگیری ماشین کلاسیک

اولین روش ها از آمار خالص در دهه 50 بدست آمد. آنها وظایف رسمی ریاضی را حل کردند - جستجوی الگوها در اعداد ، ارزیابی نزدیکی نقاط داده ها و محاسبه جهت بردارها.

امروزه نیمی از اینترنت روی این الگوریتم ها کار می کنند. وقتی لیستی از مقالات را می بینید که "بعدی را بخوانید" یا بانک شما کارت شما را در پمپ بنزین تصادفی در وسط هیچ جا مسدود می کند ، به احتمال زیاد این کار یکی از همین بچه ها است.

شرکت های بزرگ فناوری طرفداران عظیم شبکه های عصبی هستند. به طور مشخص. برای آنها ، دقت 2٪ درآمد 2 میلیارد اضافی است. اما وقتی کوچک هستید ، معنی ندارد. من قبل از اینکه دریابم 99٪ از ترافیک مربوط به موتورهای جستجو است ، داستانهای مربوط به تیمهایی را که یک سال در الگوریتم توصیه جدید برای وب سایت تجارت الکترونیکی خود می گذرانند شنیدم. الگوریتم های آنها بی فایده بود. اکثر کاربران حتی صفحه اصلی را باز نکردند.

با وجود محبوبیت ، رویکردهای کلاسیک چنان طبیعی است که می توانید به راحتی آنها را برای یک کودک نو پا توضیح دهید. آنها مانند حساب اصلی هستند - ما هر روز از آن استفاده می کنیم ، بدون اینکه حتی فکر کنیم.

یادگیری نظارت شده

یادگیری ماشین کلاسیک اغلب به دو دسته تقسیم می شود - یادگیری نظارت شده و بدون نظارت.

در حالت اول ، دستگاه دارای "سرپرست" یا "معلم" است که همه جواب ها را به دستگاه می دهد ، مثل این که این یک گربه در تصویر باشد یا یک سگ. معلم در حال حاضر داده ها را به گربه ها و سگ ها تقسیم کرده است (برچسب گذاری شده) و دستگاه برای یادگیری از این مثال ها استفاده می کند. یکی یکی. سگ توسط گربه

یادگیری بدون نظارت به معنای این است که دستگاه با یک شمع از عکس های حیوانات و یک کار برای پیدا کردن اینکه چه کسی است به تنهایی باقی مانده است. برچسب گذاری نشده است ، هیچ معلمی وجود ندارد ، این دستگاه سعی دارد الگویی را به تنهایی پیدا کند. در زیر در مورد این روش ها صحبت خواهیم کرد.

واضح است که دستگاه با یک معلم سریعتر یاد می گیرد ، بنابراین بیشتر در کارهای واقعی استفاده می شود. چنین کارهایی دو نوع وجود دارد: طبقه بندی - پیش بینی طبقه بندی یک شی و رگرسیون - پیش بینی یک نقطه خاص در یک محور عددی.

قسمت چهارم