3 Gambar Mengetahui Pembelajaran Mesin: Konsep Asas, 5 Gaya dan 9 Algoritma Umum

3 Gambar Mengetahui Pembelajaran Mesin: Konsep Asas, 5 Gaya dan 9 Algoritma Umum

• Satu, gambaran pembelajaran mesin

  

  1. Apa itu pembelajaran mesin?

     Mesin belajar dengan menganalisis sejumlah besar data. Sebagai contoh, mereka tidak perlu mengenal pasti kucing atau wajah melalui pengaturcaraan, mereka boleh dilatih dengan menggunakan gambar untuk merangkumi dan mengenal pasti sasaran tertentu.

  2. Hubungan pembelajaran mesin dan kecerdasan buatan

     Pembelajaran mesin adalah satu bidang kajian dan algoritma yang memfokuskan pada mencari corak dalam data dan menggunakan corak tersebut untuk membuat ramalan. Pembelajaran mesin adalah sebahagian daripada bidang kecerdasan buatan dan berlainan dengan penemuan pengetahuan dan penggalian data.

     

  3. Bagaimana pembelajaran mesin berfungsi

     1 Pilih data: Bahagikan data anda kepada tiga kumpulan: data latihan, data pengesahan dan data ujian 2 Data model: menggunakan data latihan untuk membina model menggunakan ciri yang berkaitan 3 Model pengesahan: gunakan data pengesahan anda untuk mengakses model anda 4 Model Ujian: Gunakan data ujian anda untuk memeriksa prestasi model yang disahkan 5 Menggunakan model: Menggunakan model yang terlatih sepenuhnya untuk membuat ramalan pada data baru 6 Model penyempurnaan: menggunakan lebih banyak data, ciri yang berbeza atau parameter yang disesuaikan untuk meningkatkan prestasi algoritma

     

  4. Di mana pembelajaran mesin berada

     1 Pengaturcaraan tradisional: Jurutera perisian menulis program untuk menyelesaikan masalah. Pertama ada beberapa data→ Untuk menyelesaikan masalah, jurutera perisian menulis proses untuk memberitahu mesin apa yang harus dilakukan→ Komputer menjalankan proses ini dan menghasilkan hasil 2 Statistik: Analis membandingkan hubungan antara pembolehubah 3 Pembelajaran mesin: saintis data menggunakan set data latihan untuk mengajar komputer apa yang harus dilakukan, dan kemudian sistem melaksanakan tugas tersebut. Pertama terdapat data besar→ mesin akan belajar menggunakan set data latihan untuk melakukan pengelompokan, menyesuaikan algoritma tertentu untuk mencapai pengelompokan sasaran→ komputer dapat belajar mengenal pasti hubungan, trend dan corak dalam data 4 Aplikasi pintar: Hasil aplikasi pintar menggunakan kecerdasan buatan, seperti yang ditunjukkan di bawah, adalah contoh aplikasi pertanian tepat, yang berdasarkan data yang dikumpulkan oleh dron

     

  5. Aplikasi praktikal pembelajaran mesin

     Terdapat banyak skenario aplikasi untuk pembelajaran mesin, berikut adalah beberapa contoh bagaimana anda akan menggunakannya.

     Pemetaan dan pemodelan peta 3D pantas: Untuk membina jambatan kereta api, saintis data dan pakar bidang PwC menggunakan pembelajaran mesin untuk data yang dikumpulkan oleh dron. Gabungan ini membolehkan pemantauan yang tepat dan maklum balas cepat dalam kejayaan kerja.

     Analisis yang dipertingkatkan untuk mengurangkan risiko: Untuk mengesan urus niaga dalaman, PwC menggabungkan pembelajaran mesin dengan teknik analisis lain untuk membangunkan profil pengguna yang lebih komprehensif dan mendapatkan pemahaman yang lebih mendalam mengenai tingkah laku yang mencurigakan yang kompleks.

     Matlamat yang paling baik: PwC menggunakan pembelajaran mesin dan kaedah analisis lain untuk menilai potensi kuda yang berbeza di arena Melbourne Cup.

• Kedua, evolusi pembelajaran mesin

  

  Selama beberapa dekad, pelbagai "suku" penyelidik kecerdasan buatan telah bersaing untuk dominasi. Adakah sekarang masa untuk suku-suku itu bersatu? Mereka mungkin terpaksa melakukannya, kerana kerjasama dan penggabungan algoritma adalah satu-satunya cara untuk mencapai kecerdasan buatan yang benar-benar universal (AGI). Ini menunjukkan jalan evolusi kaedah pembelajaran mesin dan kemungkinan masa depan.

  1. Lima Jenis

     1 Simbolisme: menggunakan simbol, peraturan dan logik untuk menggambarkan pengetahuan dan membuat penalaran logik, algoritma kegemaran adalah: peraturan dan pokok keputusan 2 Bayesian: mendapatkan kemungkinan berlaku untuk membuat penalaran kebarangkalian, algoritma kegemaran adalah: Bayesian polos atau Markov 3 Kesatuan: menggunakan matriks kebarangkalian dan neuron yang ditimbang untuk mengenal pasti dan mengindikasikan corak secara dinamik, algoritma kegemaran adalah: rangkaian saraf 4 Evolusi: menghasilkan perubahan, dan kemudian mendapatkan yang terbaik untuk tujuan tertentu, algoritma kegemaran adalah: algoritma genetik 5 Analogizer: untuk mengoptimumkan fungsi mengikut keadaan yang terhad (untuk pergi ke tahap yang lebih tinggi mungkin, tetapi pada masa yang sama tidak keluar dari jalan), algoritma kegemaran adalah: menyokong mesin vektor

     

  2. Tahap evolusi

     Tahun 1980-an

     Genre utama: Simbolisme Arkitektur: pelayan atau mesin besar Teori utama: Kejuruteraan Pengetahuan Logik keputusan asas: sistem sokongan keputusan, kegunaan terhad

     1990an hingga 2000an

     Genre utama: Bayes Senibina: Kumpulan pelayan kecil Teori utama: teori kebarangkalian Kategori: perbandingan atau perbandingan yang boleh diperluas, cukup baik untuk banyak tugas

     Awal hingga pertengahan tahun 2010

     Garis utama: Persatuan Arkitektur: ladang pelayan besar Teori utama: Neurologi dan kebarangkalian Pengiktirafan: Pengiktirafan imej dan suara yang lebih tepat, terjemahan, analisis emosi dan banyak lagi

     

  3. Di samping itu, mereka juga mempunyai peluang untuk menjadi ahli dalam kumpulan yang berbeza, yang mana mereka akan bekerja bersama dan menggabungkan pendekatan mereka.

     Akhir tahun 2010an

     Genre utama: Kesatuan + Simbolisme Arkitektur: Banyak awan Teori utama: rangkaian saraf ingatan, integrasi besar-besaran, penalaran berasaskan pengetahuan Jawapan mudah: Rentang yang sempit, perkongsian pengetahuan khusus bidang

     Tahun 2020+

     Garis utama: Kesatuan + Simbolisme + Bayes +... Arkitektur: Pengkomputeran awan dan komputahan kabut Teori utama: terdapat rangkaian ketika merasakan, terdapat peraturan ketika membuat kesimpulan dan bekerja Persepsi, penalaran dan tindakan yang mudah: pengoptimuman atau interaksi robot yang terhad

     2040-an +

     Genre utama: Perpaduan algoritma Senibina: Pelayan di mana-mana Teori utama: kombinasi terbaik untuk pembelajaran meta Persepsi dan tindak balas: bertindak atau memberi jawapan berdasarkan pengetahuan atau pengalaman yang diperoleh melalui pelbagai kaedah pembelajaran

• 3. Algoritma pembelajaran mesin

  

  Algoritma pembelajaran mesin mana yang harus anda gunakan? Ini sangat bergantung kepada sifat dan jumlah data yang ada dan matlamat latihan anda dalam setiap kes penggunaan tertentu. Jangan menggunakan algoritma yang paling rumit kecuali hasilnya bernilai perbelanjaan dan sumber yang mahal.

  1. Pokok keputusan: Dalam proses tindak balas beransur-ansur, analisis pokok keputusan yang tipikal menggunakan pemboleh ubah atau nod keputusan yang berlapis-lapis, sebagai contoh, untuk mengklasifikasikan pengguna tertentu sebagai kredibel atau tidak kredibel.

     Kelebihan: Mempunyai kemahiran menilai pelbagai ciri, kualiti, dan ciri orang, tempat, dan benda Contoh skenario: penilaian kredit berasaskan peraturan, ramalan hasil perlumbaan

     

  2. Mesin vektor sokongan: berasaskan hyperplane, mesin vektor sokongan boleh mengelaskan kumpulan data.

     Kelebihan: Menyokong mesin vektor yang mahir melakukan pengklasifikasian binari antara pembolehubah X dan pembolehubah lain, sama ada hubungannya linear atau tidak Contohnya: pengklasifikasian berita, pengenalan tulisan tangan.

  3. Regression: Regression boleh melukis hubungan keadaan antara pembolehubah disebabkan dan satu atau lebih pembolehubah disebabkan. Dalam contoh ini, pemisahan dibuat antara spam dan bukan spam.

     Kelebihan: Regresi boleh digunakan untuk mengenal pasti hubungan berterusan antara pembolehubah, walaupun hubungan itu tidak begitu jelas Contohnya: analisis lalu lintas jalan raya, penapisan mel

     

  4. Klasifikasi Bayes yang Naif: Klasifikasi Bayes yang Naif digunakan untuk mengira kebarangkalian cabang bagi keadaan yang mungkin berlaku. Setiap ciri bebas adalah "naif" atau bebas daripada keadaan, oleh itu mereka tidak mempengaruhi objek lain. Sebagai contoh, dalam sebuah kotak yang mengandungi 5 bola kuning dan merah, apakah kebarangkalian dua bola kuning berturut-turut?

     Kelebihan: Untuk objek berkaitan yang mempunyai ciri-ciri yang ketara dalam kumpulan data kecil, kaedah Bayes yang sederhana membolehkan mereka diklasifikasikan dengan cepat Contoh senario: analisis emosi, pengelompokan pengguna

  5. Model Markov tersembunyi: proses Markov yang jelas adalah keadaan yang pasti bahawa keadaan tertentu sering disertai dengan keadaan lain. Lampu lampu adalah contohnya. Sebaliknya, model Markov tersembunyi mengira kejadian keadaan tersembunyi dengan menganalisis data yang kelihatan. Kemudian, dengan analisis keadaan tersembunyi, model Markov tersembunyi boleh menganggarkan pola pengamatan masa depan yang mungkin. Dalam kes ini, kebarangkalian tekanan udara tinggi atau rendah (yang tersembunyi) boleh digunakan untuk meramalkan kebarangkalian hari yang cerah, hujan, hari yang mendung).

     Kelebihan: Membolehkan perubahan data, digunakan untuk pengiktirafan dan operasi ramalan Contoh adegan: analisis ekspresi muka, ramalan cuaca

     

  6. Hutan rawak: Algoritma hutan rawak meningkatkan ketepatan pokok keputusan dengan menggunakan pelbagai pokok dengan subset data yang dipilih secara rawak. Contoh ini mengkaji sejumlah besar gen yang berkaitan dengan kemunculan semula kanser payudara di peringkat ekspresi gen dan mengira risiko kemunculan semula.

     Kelebihan: Kaedah hutan rawak terbukti berguna untuk set data besar dan item yang mempunyai banyak dan kadang-kadang ciri yang tidak berkaitan Contoh senario: analisis kehilangan pengguna, penilaian risiko

  7. Rangkaian saraf berulang: Dalam rangkaian saraf rawak, setiap neuron mengubah banyak input menjadi output tunggal melalui satu atau lebih lapisan tersembunyi. Rangkaian saraf berulang (RNN) akan menyampaikan nilai lebih lanjut dari lapisan ke lapisan, yang membolehkan pembelajaran dari lapisan ke lapisan. Dalam erti kata lain, RNN mempunyai beberapa bentuk memori yang membolehkan output sebelumnya mempengaruhi input berikutnya.

     Kelebihan: Rangkaian saraf putaran mempunyai keupayaan untuk meramalkan apabila terdapat banyak maklumat berurutan Contoh adegan: Pengelasan imej dan penambahan sarikata, analisis emosi politik

     

  8. Memori jangka pendek panjang (LSTM) dengan rangkaian neural unit berputar yang terkawal (gated recurrent unit nerual network): Walaupun rangkaian neural RNN awal ini hanya membolehkan menyimpan sedikit maklumat awal, rangkaian neural LSTM dan GRU baru mempunyai memori jangka panjang dan jangka pendek. Dalam erti kata lain, rangkaian RNN baru ini mempunyai keupayaan untuk mengawal memori yang lebih baik, yang membolehkan mengekalkan pemprosesan awal atau memulihkan nilai-nilai ini apabila banyak langkah siri diperlukan, yang mengelakkan degradasi akhir nilai-nilai yang boleh "berkurangan" atau diturunkan secara beransur-ansur.

     Kelebihan: Memori jangka panjang dan jangka pendek dan rangkaian sel bulatan gerbang mempunyai kelebihan yang sama dengan rangkaian bulatan lain, tetapi lebih sering digunakan kerana mereka mempunyai keupayaan memori yang lebih baik Contohnya: Pengolahan Bahasa Asli, Terjemahan

  9. Rangkaian saraf konvolutional: Konvolution merujuk kepada penggabungan berat dari lapisan berikutnya dan boleh digunakan untuk menandakan lapisan output.

     Kelebihan: Perisian neural convolution sangat berguna apabila terdapat set data yang sangat besar, banyak ciri dan tugas klasifikasi yang rumit Contoh adegan: pengenalan imej, transkripsi suara, penemuan ubat

• Link asal:

  http://usblogs.pwc.com/emerging-technology/a-look-at-machine-learning-infographic/

  http://usblogs.pwc.com/emerging-technology/machine-learning-methods-infographic/

  http://usblogs.pwc.com/emerging-technology/machine-learning-evolution-infographic/

Dipindahkan dari Dataran Besar