Diferite tipuri de învățare automată de care ar trebui să fii conștient

Introducere

Învățarea automată (ML) este una dintre cele mai populare abilități pentru programatori. Potrivit unui raport publicat de Indeed în 2019, ingineria învățării automate a fost cea mai solicitată muncă AI din SUA. Unele sectoare care folosesc pe scară largă tehnologia de învățare automată sunt finanțele, serviciile bancare, asistența medicală, investițiile, marketingul, producția, securitatea cibernetică și transportul. Acest blog vă va ajuta să înțelegeți conceptul de învățare automată și diferitele sale tipuri.

Ce este Machine Learning?

Învățarea automată este o tehnologie modernă care utilizează date pentru a prezice rezultate precise și pentru a îmbunătăți performanța unui dispozitiv. Cu cuvinte simple, tehnologia de învățare automată permite computerelor să utilizeze date istorice și să prezică rezultate în situații similare fără a fi programate în mod explicit. Tehnologia funcționează similar creierului uman. Algoritmul observă datele furnizate, le analizează și înregistrează modele de date. Algoritmul prezice rezultate pe baza modelelor anterioare atunci când este furnizat un nou set de date. Conceptul este denumit învățare automată deoarece mașina învață din informații și oferă rezultate.

Obțineți certificare de învățare automată de la cele mai bune universități din lume. Câștigă programe de master, Executive PGP sau Advanced Certificate pentru a-ți accelera cariera.

Diferite tipuri de învățare automată

Există 14 tipuri diferite de tehnici de învățare automată bazate pe tipul de date de antrenament furnizate dispozitivului și modul în care datele sunt utilizate de algoritm. Să discutăm despre diferitele tipuri de învățare automată.

1. Învățare supravegheată

Învățarea supravegheată este cel mai popular tip de învățare automată care utilizează date etichetate pentru clasificare. Folosim un set de date de antrenament cu diferite intrări și ieșiri pentru a preda algoritmul în învățarea supravegheată. Algoritmul prezice apoi rezultate favorabile pe baza datelor de intrare și de ieșire deja furnizate.

Utilizăm datele în trei scopuri în învățarea supravegheată; instruire, validare și testare. În primul rând, adunăm date etichetate pentru a antrena algoritmul ML. În a doua etapă, folosim diferite seturi de date pentru a valida performanța corectă a algoritmului. În cele din urmă, algoritmul este testat în lumea reală.

2. Învățare nesupravegheată

Spre deosebire de învățarea supravegheată, folosim date neetichetate sau neetichetate în învățarea nesupravegheată. În acest tip de algoritm de învățare automată, nu trebuie să supraveghem algoritmul furnizând seturi de date de intrare și de ieșire. Algoritmul însuși descoperă modele ascunse în seturile de date.

Există patru tipuri de tehnici de învățare nesupravegheată; clustering, detectarea anomaliilor, minerit de asociere și modele de variabile latente. În clustering, algoritmul împarte seturile de date în grupuri diferite pe baza unor proprietăți similare. Folosim detectarea anomaliilor pentru a găsi activități neobișnuite în setul de date. Tehnica de extragere de asociere grupează elementele de date care apar frecvent împreună.

Programele noastre AI și ML în SUA

3. Învățare semi-supravegheată

Învățarea semi-supravegheată este un amestec de tehnici de învățare automată atât supravegheată, cât și nesupravegheată. Folosim atât date etichetate, cât și date neetichetate pentru a antrena algoritmul. Datele etichetate sunt folosite în cantități mici, iar datele neetichetate sunt folosite în cantități mari. Tehnica de învățare semi-supravegheată este utilizată pentru a îndeplini sarcini intensive care sunt dificil de realizat doar prin învățarea supravegheată sau nesupravegheată. În primul rând, folosim algoritmul de învățare nesupravegheată pentru a grupa date similare. În continuare, datele neetichetate sunt clasificate cu ajutorul datelor etichetate existente.

Unele aplicații practice ale învățării semi-supravegheate includ clasificarea conținutului disponibil pe Internet, recunoașterea vorbirii și clasificarea ADN-ului.

4. Învățare prin întărire

Învățarea prin întărire folosește conceptul de recompense și pedeapsă. Algoritmul asociază evenimentele favorabile sau plăcute ca recompense și interpretează evenimentele neplăcute ca pedepse. Conceptul de recompensă și pedeapsă întărește algoritmul și învață să folosească cel mai bun comportament posibil în timp. Când introducem informații, algoritmul ia măsuri adecvate pentru a maximiza recompensa.

5. Învățare auto-supravegheată

Este un subset al învățării nesupravegheate. După cum sugerează și numele, învățarea auto-supravegheată este un tip de învățare automată în care algoritmul caută inputuri din date neetichetate singur și oferă rezultate. Deoarece este dificil să obții date etichetate, programatorii folosesc adesea date neetichetate, ușor disponibile. În învățarea auto-supravegheată, datele asigură supravegherea algoritmului. Aparatul obține etichete din datele în sine și prezice intrările. Învățarea auto-supravegheată este una dintre cele mai eficiente tehnici de învățare automată a datelor.

6. Învățare în mai multe instanțe

Este un tip de tehnică de învățare supravegheată cu o ușoară variație. Tehnica de învățare cu mai multe instanțe utilizează date slab etichetate. Înseamnă că datele au etichete incomplete și doar instanțelor dintr-o pungă li se atribuie etichete. Algoritmul folosește un concept binar. Etichetează punga pozitivă dacă există o instanță pozitivă și o etichetează negativ dacă cel puțin o instanță este negativă.

Tipul de învățare automată cu mai multe instanțe este utilizat în principal în patologii, deoarece poate determina rapid celulele maligne din probă. Algoritmul consideră celulele maligne cazuri negative.

Bloguri populare de învățare automată și inteligență artificială

7. Învățare online

În învățarea online, algoritmul folosește datele disponibile pentru a actualiza modelul odată ce se face o observație. Tehnica de învățare online este utilizată atunci când sunt prezente mai multe observații într-un interval scurt.

8. Învățare activă

Învățarea activă este un tip de învățare automată supravegheată care utilizează un set mic de date cu doar puncte de date relevante. Prioritizează datele în acest tip de învățare automată. În primul rând, trebuie să etichetăm manual un mic eșantion de date. Următorul pas este antrenamentul algoritmului conform datelor etichetate. Odată ce modelul este antrenat, îl putem folosi pentru a determina clasa punctelor de date neetichetate.

9. Învățare prin ansamblu

Ansamblu înseamnă a combina lucrurile și a le privi împreună ca un întreg. Prin urmare, învățarea prin ansamblu este un tip de învățare automată în care algoritmul combină predicțiile de la diferite modele pentru rezultate mai bune. Există trei modele diferite în învățarea prin ansamblu:

• Bagarea în pungă - implică adăugarea diferitelor predicții la arborele eșantionului și scoaterea unei medii a tuturor predicțiilor. Folosește mostre din același set de date.
• Stacking - În stivuire, folosim modele diferite ale aceluiași set de date. Cu toate acestea, folosim și un alt model pentru a determina modul în care predicțiile pot fi combinate.
• Boosting - În această tehnică, aranjam predicțiile într-o secvență și calculăm media ponderată a tuturor predicțiilor.

9. Transfer de învățare

În tehnica de învățare prin transfer, transferăm elementele unui model pre-antrenat la noul model. Această tehnică este utilizată atunci când sunt create două modele pentru a efectua sarcini similare. Învățarea prin transfer este unul dintre cele mai eficiente tipuri de învățare automată din punct de vedere al costurilor și al timpului.

10. Învățare cu sarcini multiple

Învățarea cu mai multe sarcini este un tip de învățare automată în care mașina învață mai multe sarcini simultan. În loc să folosim diverse modele pentru a îndeplini diferite sarcini, putem antrena un model să facă mai multe sarcini și să efectuăm mai multe preluari în același timp.

11. Învățare inductivă

Creăm o regulă generalizată sub forma IF-THEN pentru setul de date în învățarea inductivă. Această tehnică funcționează în formatul „Dacă are loc un eveniment, atunci se întâmplă acest lucru”. Învățarea inductivă este folosită pentru a deriva o funcție din datele date. Unele aplicații practice ale învățării inductive includ:

• Aprobarea creditului (Dacă un client are proprietatea A, atunci B este dacă creditul va fi aprobat sau nu).
• Diagnosticul bolii (Dacă un pacient are simptome A, atunci pacientul are boala B).

12.Învățare transductivă

Transducția este procesul de conversie a unui element dintr-o formă în alta. În învățarea transductivă, nu trebuie să modelăm datele de antrenament. Algoritmul utilizează în mod direct datele pentru a prezice informații prin derivarea valorilor unei funcții necunoscute din setul de date dat.

13. Învățare deductivă

Învățarea deductivă este o tehnică de învățare automată utilizată pentru a analiza date și a produce inferențe din acestea. În învățarea deductivă, antrenăm algoritmii să utilizeze cunoștințele care se dovedesc corecte. Îi ajută pe programatori să realizeze că anumite informații sunt corecte și au fost obținute mai devreme.

Concluzie

Multe companii folosesc ML pentru a spori satisfacția clienților și pentru a crește retenția clienților prin crearea de chatbot-uri personalizate. De asemenea, tehnologia ajută la optimizarea proceselor lanțului de aprovizionare și la automatizarea proceselor de finanțare în organizații. Companii de top din SUA, cum ar fi Meta, Netflix, Google, Twitter, Pinterest și alte organizații folosesc învățarea automată pentru a automatiza procesele de lucru și pentru a efectua sarcini complexe într-un interval de timp minim. Acesta este motivul pentru care inginerii de învățare automată sunt la mare căutare în SUA.

ML a devenit una dintre cele mai profitabile opțiuni de carieră astăzi datorită salariilor mai bune și oportunităților de creștere. Puteți urma un master în învățare automată și inteligență artificială de la upGrad pentru a obține cunoștințe avansate despre învățarea automată și pentru a dobândi abilități relevante.