知っておくべきさまざまな種類の機械学習

序章

機械学習 (ML) は、プログラマーにとって最も人気のあるスキルの 1 つです。 2019 年にIndeedが発行したレポートによると、機械学習エンジニアリングは、米国で最も需要の高い AI の仕事でした。 機械学習テクノロジーを広く使用しているセクターには、金融、銀行、ヘルスケア、投資、マーケティング、製造、サイバーセキュリティ、輸送などがあります。 このブログは、機械学習の概念とそのさまざまな種類を理解するのに役立ちます。

機械学習とは

機械学習は、データを使用して正確な結果を予測し、デバイスのパフォーマンスを向上させる最新のテクノロジです。 簡単に言えば、機械学習テクノロジを使用すると、コンピューターは過去のデータを使用して、明示的にプログラムしなくても、同様の状況で結果を予測できます。 このテクノロジーは、人間の脳と同じように機能します。 アルゴリズムは、提供されたデータを観察、分析し、データ パターンを記録します。 このアルゴリズムは、新しいデータセットが提供されると、以前のパターンに基づいて結果を予測します。 この概念は、機械が情報から学習して結果を提供するため、機械学習と呼ばれます。

世界のトップ大学から機械学習認定を取得します。 マスター、エグゼクティブ PGP、または上級認定プログラムを取得して、キャリアを加速させましょう。

さまざまな種類の機械学習

デバイスに提供されるトレーニング データの種類と、アルゴリズムによるデータの利用方法に基づいて、 14種類の機械学習手法があります。 さまざまなタイプの機械学習について説明します。

1.教師あり学習

教師あり学習は、ラベル付けされたデータを分類に使用する最も一般的なタイプの機械学習です。 教師あり学習でアルゴリズムを教えるために、さまざまな入力と出力を持つトレーニング データセットを使用します。 次に、アルゴリズムは、既に提供された入力データと出力データに基づいて、好ましい結果を予測します。

教師あり学習では、3 つの目的でデータを使用します。 トレーニング、検証、およびテスト。 まず、ラベル付けされたデータを収集して ML アルゴリズムをトレーニングします。 第 2 段階では、さまざまなデータ セットを使用して、アルゴリズムの正しいパフォーマンスを検証します。 最後に、アルゴリズムを実世界でテストします。

2.教師なし学習

教師あり学習とは対照的に、教師なし学習ではタグなしまたはラベルなしのデータを使用します。 このタイプの機械学習アルゴリズムでは、入力データセットと出力データセットを提供してアルゴリズムを監視する必要はありません。 アルゴリズム自体が、データ セット内の隠れたパターンを発見します。

教師なし学習手法には 4 つのタイプがあります。 クラスタリング、異常検出、アソシエーション マイニング、および潜在変数モデル。 クラスタリングでは、アルゴリズムはいくつかの類似したプロパティに基づいてデータセットを異なるグループに分割します。 異常検出を使用して、データセット内の異常なアクティビティを見つけます。 アソシエーション マイニング手法では、頻繁に発生するデータ項目をグループ化します。

米国での AI & ML プログラム

3. 半教師あり学習

半教師あり学習は、教師ありと教師なしの両方の機械学習手法を組み合わせたものです。 ラベル付きデータとラベルなしデータの両方を使用して、アルゴリズムをトレーニングします。 ラベル付きデータは少量使用され、ラベルなしデータは大量に使用されます。 半教師あり学習手法は、教師ありまたは教師なし学習だけでは実行が困難な集中的なタスクを実行するために使用されます。 まず、教師なし学習アルゴリズムを使用して類似データをクラスター化します。 次に、ラベル付けされていないデータが、既存のラベル付けされたデータを使用して分類されます。

半教師あり学習の実用的なアプリケーションには、インターネットで利用可能なコンテンツの分類、音声認識、DNA 分類などがあります。

4. 強化学習

強化学習では、報酬と罰の概念が使用されます。 アルゴリズムは、好ましいまたは楽しい出来事を報酬として関連付け、不快な出来事を罰として解釈します。 報酬と罰の概念は、アルゴリズムを強化し、時間の経過とともに可能な限り最良の行動を使用することを学習します。 情報を入力すると、アルゴリズムが適切なアクションを実行して報酬を最大化します。

5. 自己教師あり学習

これは教師なし学習のサブセットです。 名前が示すように、自己教師あり学習は機械学習の一種であり、アルゴリズムが独自にラベル付けされていないデータから入力を求め、結果を提供します。 ラベル付けされたデータを取得するのは難しいため、プログラマーはラベル付けされていないすぐに利用できるデータを使用することがよくあります。 自己教師あり学習では、データによってアルゴリズムが監視されます。 マシンはデータ自体からラベルを取得し、入力を予測します。 自己教師あり学習は、最もデータ効率の高い機械学習手法の 1 つです。

6. マルチインスタンス学習

これは、教師あり学習手法の一種で、わずかにバリエーションがあります。 マルチインスタンス学習手法は、弱くラベル付けされたデータを使用します。 これは、データのタグが不完全であり、バッグ内のインスタンスのみにラベルが割り当てられていることを意味します。 このアルゴリズムでは、バイナリの概念が使用されます。 正のインスタンスが 1 つある場合はバッグに正のラベルを付け、少なくとも 1 つのインスタンスが負の場合は負のラベルを付けます。

マルチインスタンスタイプの機械学習は、サンプル内の悪性細胞を迅速に判別できるため、主に病理学で使用されます。 アルゴリズムは、悪性細胞を負のインスタンスと見なします。

人気の機械学習と人工知能のブログ

7. オンライン学習

オンライン学習では、観察が行われると、アルゴリズムは利用可能なデータを使用してモデルを更新します。 オンライン学習手法は、短期間に複数の観測が存在する場合に使用されます。

8.アクティブラーニング

アクティブ ラーニングは、関連するデータ ポイントのみを含む小さなデータセットを使用する教師あり機械学習の一種です。 このタイプの機械学習では、データに優先順位を付けます。 まず、データの小さなサンプルに手動でラベルを付ける必要があります。 次のステップは、ラベル付けされたデータに従ってアルゴリズムをトレーニングすることです。 モデルがトレーニングされると、それを使用して、ラベル付けされていないデータ ポイントのクラスを決定できます。

9. アンサンブル学習

アンサンブルとは、物事を組み合わせて全体として見ることを意味します。 したがって、アンサンブル学習は、アルゴリズムが異なるモデルからの予測を組み合わせてより良い結果を得る一種の機械学習です。 アンサンブル学習には 3 つの異なるモデルがあります。

• バギング - サンプル ツリーにさまざまな予測を追加し、すべての予測の平均を取り出すことが含まれます。 同じデータ セットのサンプルを使用します。
• スタッキング - スタッキングでは、同じデータ セットの異なるモデルを使用します。 ただし、別のモデルも使用して、予測を組み合わせる方法を決定します。
• ブースティング - この手法では、予測を順番に並べ、すべての予測の加重平均を計算します。

9.転移学習

転移学習手法では、事前にトレーニングされたモデルの要素を新しいモデルに転移します。 この手法は、2 つのモデルを作成して同様のタスクを実行する場合に使用されます。 転移学習は、最もコストと時間効率の良いタイプの機械学習の 1 つです。

10. マルチタスク学習

マルチタスク学習は、機械が複数のタスクを同時に学習する一種の機械学習です。 さまざまなモデルを使用してさまざまなタスクを実行する代わりに、1 つのモデルをマルチタスクにトレーニングし、同時に複数のテイクを実行できます。

11.帰納的学習

帰納的学習のデータセットに対して、IF-THEN の形式で一般化されたルールを作成します。 この手法は、「イベントが発生した場合、これが発生する」という形式で機能します。 帰納的学習は、与えられたデータから関数を導出するために使用されます。 帰納的学習の実用的なアプリケーションには、次のようなものがあります。

• 与信承認（顧客がA物件を持っている場合、Bは与信が承認されるかどうか）。
• 病気の診断（患者がAの症状を持っている場合、患者はBの病気です）。

12.伝達的学習

変換は、要素をある形式から別の形式に変換するプロセスです。 伝達的学習では、トレーニング データをモデル化する必要はありません。 このアルゴリズムは、データを直接使用して、特定のデータセットから未知の関数の値を導き出し、情報を予測します。

13.演繹的学習

演繹学習は、データを分析し、そこから推論を生成するために使用される機械学習手法です。 演繹的学習では、証明可能な正しい知識を使用するようにアルゴリズムをトレーニングします。 これは、プログラマーが特定の情報が正しく、以前に導出されたものであることを認識するのに役立ちます。

結論

多くの企業が ML を使用して、パーソナライズされたチャットボットを作成することで、顧客満足度を高め、顧客維持率を高めています。 このテクノロジーは、組織内のサプライ チェーン プロセスの最適化と資金調達プロセスの自動化にも役立ちます。 Meta、Netflix、Google、Twitter、Pinterest などの米国のトップ企業やその他の組織は、機械学習を使用して作業プロセスを自動化し、最小限の時間枠で複雑なタスクを実行しています。 これが、機械学習エンジニアが米国で大きな需要がある理由です。

ML は、より良い給与と成長の機会により、今日最も有利なキャリア オプションの 1 つになりました。 upGrad から機械学習と人工知能の理学修士号を取得して、機械学習の高度な知識を習得し、関連するスキルを習得できます。