Introdução aos tipos de algoritmos de aprendizado de máquina
Os tipos de algoritmo de aprendizado de máquina ou cálculos de IA são programas (matemática e lógica) que se modificam para ter um desempenho melhor à medida que são apresentados a mais informações. A “adaptação” de uma parte da IA implica que esses projetos mudem a forma como processam as informações após algum tempo, assim como as pessoas mudam a maneira como processam as informações aprendendo. Portanto, um aprendizado de máquina ou cálculo de IA é um programa com um método específico para alterar seus próprios parâmetros, devido às críticas às expectativas anteriores de exibição de um conjunto de dados.
Todos os tipos de algoritmos de aprendizado de máquina
Suas certas variedades de como caracterizar os tipos de algoritmos de Aprendizado de Máquina ainda podem ser divididas em classes de acordo com sua motivação e as classificações fundamentais são as seguintes:
- Aprendizado supervisionado
- Aprendizagem não supervisionada
- Aprendizagem semi-supervisionada
- Aprendizagem por Reforço
O que é aprendizado supervisionado
Aprendizado supervisionado é onde você pode considerar que o aprendizado é guiado por um instrutor. Temos um conjunto de dados que serve como educador e seu trabalho é preparar o modelo ou a máquina. Quando o modelo é preparado, ele pode começar a decidir sobre uma expectativa ou escolha quando novas informações são fornecidas a ele.
Exemplo de aprendizado supervisionado:
- Você obtém muitas fotografias com dados sobre o que está nelas e, depois disso, treina um modelo para perceber novas fotografias.
- Você tem muitos dados sobre os preços das casas com base em seu tamanho e localização, e os alimenta no modelo e os treinam. É possível prever o preço de outras casas com base nos dados que você alimenta.
- se você quiser prever que sua mensagem é spam ou não é uma mensagem antiga, você pode prever que uma nova mensagem seja spam ou não.
O algoritmo de aprendizado supervisionado é o seguinte:
1) Regressão Linear
a regressão linear é valiosa para descobrir a conexão entre dois fatores persistentes. Uma é uma variável preditora ou autônoma e a outra é uma variável de reação ou enfermaria. Ele procura um relacionamento mensurável, mas não um relacionamento determinístico. Diz-se que a conexão entre dois fatores é determinística na chance de que uma variável possa ser precisamente comunicada pela outra. Por exemplo, utilizando temperatura em graus Celsius, é concebível prever com precisão Fahrenheit. O relacionamento factual não é preciso para decidir uma conexão entre dois fatores. Por exemplo, conexão em algum lugar na faixa de altura e peso. O pensamento central é obter uma linha que melhor se ajuste à informação. A linha de melhor ajuste é aquela para a qual o erro total da previsão (todas as informações se concentram) é o mínimo que poderia ser esperado nessas circunstâncias. O erro é a separação entre o ponto e a linha de regressão.
2) Árvores de decisão
Uma árvore de decisão é um gadget de ajuda à decisão que usa um diagrama ou modelo de decisões em forma de árvore e seus possíveis resultados, incluindo resultados de eventos de chance, custos de recursos e utilidade. Explore a imagem para ter uma ideia do que ela se assemelha.
3) Classificação Naive Bayes
Classificação de Naive Bayes um grupo de classificadores probabilísticos básicos, dependentes da aplicação da teoria de Bayes com uma autogovernança forte (não sofisticada), os recursos Naive Bayes. Esta classificação Alguns dos modelos certificáveis são:
Para carimbar um email como spam ou não spam
Peça uma notícia sobre inovação, questões governamentais ou esportes
Verifique um toque de substância transmitindo emoções positivas ou sentimentos negativos?
Utilizado para programação de reconhecimento facial.
4) Regressão logística
A regressão logística é um método factual inovador para demonstrar um resultado binomial com pelo menos um fator informativo. Quantifica a conexão entre a variável absoluta da enfermaria e pelo menos um fator livre avaliando probabilidades utilizando uma capacidade logística, que é a apropriação logística combinada.
Normalmente, as regressões serão utilizáveis na vida real, como:
Pontuação de crédito
A medida da taxa de sucesso do mercado ou empresa
Prever a receita de qualquer empresa ou produto
Haverá um terremoto em qualquer dia?
5) Regressão dos mínimos quadrados ordinários
Mínimos quadrados é uma estratégia para realizar regressão direta. A regressão direta é a tarefa de ajustar uma linha através de muitos focos. Existem vários procedimentos em potencial para fazer isso, e o sistema de "mínimos quadrados comuns" funciona assim: você pode desenhar uma linha e, depois disso, para todos os datacenters, medir o distanciamento vertical entre o ponto e a linha e incorporá-los. acima; a linha ajustada seria o local em que esse agregado de partições é tão escasso quanto poderia ser normal à luz da situação atual.
O que é aprendizado não supervisionado?
O modelo aprende através da percepção e descobre estruturas nas informações. Quando o modelo recebe um conjunto de dados, consequentemente, descobre exemplos e conexões no conjunto de dados fazendo agrupamentos nele. O que não é possível fazer é adicionar marcas ao grupo, semelhante ao que não pode ser uma coleta de maçãs ou mangas, no entanto, isolará todas as maçãs das mangas.
Suponha que exibimos fotos de maçãs, bananas e mangas no modelo, então o que ele faz, à luz de certos exemplos e conexões, ele cria agrupamentos e particiona o conjunto de dados nesses grupos. Atualmente, se outra informação é reforçada para o modelo, ela é adicionada a um dos cachos feitos.
Exemplo de aprendizado não supervisionado
- Você tem muitas fotografias de 6 pessoas e ainda não possui dados sobre quem está em qual delas e precisa isolar esse conjunto de dados em 6 pilhas, cada uma com as fotografias de uma pessoa.
- Você tem partículas, algumas delas são medicamentos e outras não. No entanto, você não sabe qual será qual e precisa do cálculo para encontrar os medicamentos.
O algoritmo de aprendizado não supervisionado é o seguinte
Agrupamento
O agrupamento é uma ideia significativa no que diz respeito à aprendizagem sem ajuda. Na maioria das vezes, ele consegue encontrar uma estrutura ou exemplo em uma coleta de informações não categorizadas. Os cálculos de cluster processarão suas informações e descobrirão agrupamentos de características (grupos) no caso de existirem nas informações. Você também pode alterar o número de cachos que seus cálculos devem distinguir. Permite alterar a granularidade dessas reuniões.
Existem vários tipos de cluster que você pode usar
- Seletiva (repartição)
- Modelo: K-means
- Aglomerativo
- Modelo: Cluster hierárquico
- Cobertura
- Modelo: Difusa C-Means
- Probabilística
Tipos de algoritmo de cluster
- Agrupamento hierárquico
- Cluster K-significa
- K-NN (k vizinhos mais próximos)
- Análise do componente principal
- Decomposição do valor solitário
- Análise Independente de Componentes
- Agrupamento hierárquico
Agrupamento hierárquico
O agrupamento hierárquico é um cálculo que constrói uma ordem hierárquica de grupos. Começa com todas as informações que são distribuídas para o seu próprio grupo. Aqui, dois grupos próximos estarão em um grupo semelhante. Este cálculo fecha quando resta apenas um grupo.
Clustering de meios K
K significa que é um cálculo de cluster iterativo que incentiva você a localizar o incentivo mais notável para cada ênfase. A princípio, o número ideal de grupos é escolhido. Nesta técnica de agrupamento, é necessário agrupar as informações que se concentram em k reuniões. Um k maior significa reuniões menores com maior granularidade da mesma forma. Um k mais baixo significa reuniões maiores com menos granularidade.
O rendimento do cálculo é uma reunião de "nomes". Permite apontar informações para uma das k reuniões. No agrupamento k-means, cada reunião é caracterizada por criar um centróide para cada reunião. Os centróides são como o núcleo do grupo, que captura os focos mais próximos e os adiciona ao grupo.
O agrupamento K-mean caracteriza ainda dois subgrupos
- Agrupamento aglomerativo
- Dendrograma
Agrupamento aglomerativo
Esse tipo de agrupamento K-significa começa com um número fixo de grupos. Designa todas as informações em um número preciso de grupos. Essa estratégia de cluster não requer o número de grupos K como informações. O procedimento de aglomeração começa moldando todos os dados como um grupo solitário.
Essa estratégia utiliza alguma medida de separação, diminui o número de cachos (um em cada ênfase) combinando o processo. Em conclusão, temos um grande grupo que contém todos os artigos.
Dendrograma
Na técnica de agrupamento de dendrogramas, cada nível falará com um grupo concebível. A altura do dendrograma demonstra o grau de similitude entre dois grupos de junção. Quanto mais próximos da base do procedimento, eles são um grupo progressivamente comparável, que é o achado da coleta do dendrograma que não é característico e, em geral, abstrato.
K-vizinhos mais próximos
O vizinho mais próximo de K é o mais direto de todos os classificadores de IA. Isso varia de outros procedimentos de IA, pois não fornece um modelo. É um cálculo direto que armazena todos os casos acessíveis e caracteriza novos exemplos dependentes de uma medida de semelhança.
Funciona muito bem quando há uma separação entre modelos. A taxa de aprendizado é moderada quando o conjunto de preparação é enorme e a definição de separação não é trivial.
Análise de Componentes Principais
Se você precisar de um espaço de maior dimensão. Você precisa escolher um motivo para esse espaço e apenas as 200 pontuações mais significativas dessa premissa. Essa base é conhecida como um componente principal. O subconjunto que você seleciona é outro espaço com pouco tamanho e contraste com o espaço exclusivo. Mantém, no entanto, grande parte da natureza multifacetada da informação, como seria de esperar.
O que é Aprendizado por Reforço?
É a capacidade de um especialista para colaborar com a Terra e descobrir qual é o melhor resultado. Persegue a idéia do golpe e da técnica preliminar. O operador é remunerado ou punido com um ponto por uma resposta certa ou fora da base e, com base na recompensa positiva, os focos captados pelos próprios trens do modelo. Além disso, uma vez preparado, ele se prepara para prever as novas informações que lhe são introduzidas.
Exemplo de Aprendizado por Reforço
- A exibição de anúncios, de acordo com o que os usuários não gostam, otimiza por um longo período
- Conheça o orçamento de anúncios usado em tempo real
- reforço inverso aprendendo a conhecer melhor os clientes
O que é aprendizagem semi-supervisionada?
Tipo de aprendizado semi-supervisionado, o cálculo é preparado com uma mistura de informações nomeadas e não-rotuladas. Normalmente, essa combinação contém uma quantidade limitada de informações nomeadas e muitas informações não identificadas. O método fundamental incluído é que, primeiro, o engenheiro de software agrupe informações comparáveis utilizando um cálculo de aprendizado sem ajuda e, posteriormente, utilizará as informações nomeadas atuais para nomear o restante das informações não identificadas. As instâncias de uso comum desse tipo de cálculo têm uma propriedade típica entre elas - a obtenção de informações não identificadas é geralmente modesta, enquanto o nome da referida informação é exagerado. Naturalmente, pode-se imaginar os três tipos de cálculos de aprendizado como Realização supervisionada, onde um subestudo está sob a supervisão de um instrutor em casa e na escola; O educador mostra algumas idéias em sala de aula e faz perguntas como trabalhos escolares que dependem de idéias comparáveis.
Exemplo de aprendizagem semi-supervisionada
É notável que mais informações = modelos de melhor qualidade no aprendizado profundo (até um ponto específico de confinamento claramente, mas, na maioria das vezes, não temos tanta informação.) Seja como for, obter informações marcadas é caro. No caso de você precisar preparar um modelo para distinguir animais alados, é possível configurar muitas câmeras para, consequentemente, tirar fotos de aves. Isso geralmente é modesto. Contratar indivíduos para marcar essas fotos é caro. Considere a possibilidade de você ter um número enorme de fotos de animais alados, no entanto, basta contratar indivíduos para marcar um pequeno subconjunto das fotos. Como se viu, em vez de simplesmente treinar os modelos no subconjunto marcado, você pode pré-treinar o modelo em todo o conjunto de treinamento, antes de ajustá-lo com o subconjunto nomeado e mostrar sinais de execução de melhoria nessas linhas. Isso é aprendizado semi-supervisionado. Põe de lado o seu dinheiro.
Conclusão
Existem muitos tipos de algoritmos de aprendizado de máquina e, com base em condições diferentes, precisamos usar o algoritmo de melhor ajuste para obter melhores resultados. Existem muitos algoritmos que encontram a melhor precisão de cada tipo de algoritmo de aprendizado de máquina e qual é o mais preciso que temos para usar esse algoritmo. Podemos minimizar o erro de cada algoritmo reduzindo o ruído nos dados. Por fim, direi que não existe um único algoritmo de aprendizado de máquina que possa fornecer 100% de precisão, mesmo que o cérebro humano não possa fazer isso; portanto, encontre o melhor algoritmo de busca para seus dados.
Artigos recomendados
Este é um guia para tipos de algoritmos de aprendizado de máquina. Aqui discutimos o que é o algoritmo de aprendizado de máquina? E seus tipos incluem aprendizado supervisionado, aprendizado não supervisionado, aprendizado semi-supervisionado e aprendizado por reforço. Você também pode consultar os seguintes artigos para saber mais -
- Métodos de aprendizado de máquina
- Bibliotecas de Machine Learning
- Modelos de aprendizado de máquina
- Estruturas de aprendizado de máquina
- Aprendizado de máquina com hiperparâmetro
- Clustering hierárquico | Clustering Aglomerativo e Divisivo
- Criar árvore de decisão | Como criar | Vantagens
- Ciclo de vida do aprendizado de máquina | 8 etapas principais