Какие существуют типы машинного обучения? (Плюс, когда их использовать)
24 июня 2021 г.
Машинное обучение использует алгоритмы и данные, чтобы научить машины выполнять определенные задачи. Это может помочь предприятиям достичь желаемого результата либо с помощью человеческого труда, либо с помощью машин. Понимание различий между типами машинного обучения может помочь вам определить, какой из них использовать для вашей компании. В этой статье мы обсудим, почему существует несколько типов машинного обучения, и предоставим список из четырех основных типов с пояснениями, когда использовать каждый из них.
Что такое машинное обучение?
Машинное обучение — это тип компьютерных наук и искусственного интеллекта (ИИ), который использует данные и алгоритмы для копирования того, как люди учатся. Используя данные и опыт, машины могут делать прогнозы и рекомендации. Некоторые распространенные способы использования машинного обучения включают предоставление онлайн-рекомендаций, фильтрацию спам-сообщений и предоставление результатов веб-поиска. Машинное обучение использует алгоритмы, разработанные путем поиска закономерностей, для воссоздания модели и получения желаемого результата.
Почему существует несколько типов машинного обучения?
Существует множество типов машинного обучения, которые помогают решать различные проблемы и достигать различных целей. Каждый из них имеет свои преимущества и недостатки. При выборе метода машинного обучения люди учитывают, что они хотят, чтобы машина делала. Еще одно соображение заключается в том, есть ли у них доступ к данным этикетки. Если это так, человек может выбрать контролируемое или частично контролируемое обучение. Однако, если кто-то заинтересован в изучении шаблонов и новых структур, он может рассмотреть возможность использования неконтролируемого обучения.
4 типа машинного обучения
Вот список различных типов машинного обучения:
1. Контролируемое обучение
Обучение под наблюдением — это когда машина использует данные и отзывы людей о случае, чтобы помочь ей добиться желаемого результата. Например, компания может показать машине 500 изображений знака остановки и 500 изображений, не являющихся знаком остановки. В этом сценарии знак остановки, а не знак остановки, является результатом и становится помеченными данными. Под наблюдением размеченных данных машина узнает о связи знака стоп. Это позволяет ему классифицировать, является ли изображение знаком остановки.
Контролируемое обучение основано на задачах и может быть полезно для прогнозирования следующего значения в модели. Общие алгоритмы контролируемого обучения включают в себя:
Линейная регрессия
Машины опорных векторов (SVM)
Деревья решений
Нейронные сети
Наивный Байес
Ближайший сосед
Деревья, усиленные градиентом
Случайный лес
Логистическая регрессия
2. Обучение без учителя
При неконтролируемом обучении машине не хватает помощи со стороны пользователя. Вместо этого он находит закономерности в данных, которые люди могли пропустить, и обнаруживает неизвестные результаты. В отличие от обучения с учителем, обучение без учителя использует немаркированные данные в качестве точек данных. Используя эти точки данных, машина делает ссылки для обнаружения значимых паттернов и структур. Неконтролируемое обучение управляется данными и фокусируется на поиске кластеров. Некоторые алгоритмы обучения без учителя включают в себя:
Кластеризация K-средних
Самоорганизующиеся карты
Модели гауссовской смеси
Анализ главных компонентов (PCA)
Правило ассоциации
3. Обучение с подкреплением
Обучение с подкреплением использует метод проб и ошибок для улучшения и извлечения уроков из новых ситуаций. Чтобы подкрепить и максимизировать благоприятные действия, он использует систему вознаграждения, которая посылает положительный сигнал за хорошее поведение. Этот тип обучения основан на поведении.
Чтобы использовать обучение с подкреплением, у вас должен быть агент и среда, цель которых состоит в том, чтобы соединить их с помощью петли обратной связи. Например, если вы хотите, чтобы ваша машина прошла лабиринт, агент будет алгоритмом обучения, а среда — лабиринтом. Алгоритмы обучения с подкреплением включают в себя:
Q-обучение
Поиск по дереву Монте-Карло (MCTS)
Временная разница (TD)
Асинхронное преимущество актер-критик (A3C)
4. Полуконтролируемое обучение
Полууправляемое обучение использует ограниченный набор помеченных данных для обучения формированию требований операции. Это обучение сочетает в себе небольшой объем размеченных данных с большим объемом неразмеченных данных с использованием обучения как с учителем, так и без учителя. Это может быть методом экономии средств, поскольку он предполагает использование только ограниченного количества размеченных данных.
Чтобы использовать этот тип обучения, обучите машину небольшим количеством размеченных данных. Затем вы даете ему немаркированный набор данных для прогнозирования результатов. Эти выходные данные являются псевдометками, поскольку они могут быть неточными. Получив псевдометки, свяжите их с помеченными данными. Вы также связываете входные данные из помеченных данных с входными данными в немаркированных данных. Наконец, обучите модель данными метки, чтобы свести к минимуму ошибки и повысить точность модели. Некоторые полуконтролируемые алгоритмы обучения включают:
Самообучающийся наивный байесовский классификатор
Генеративно-состязательные сети (GAN)
Общая архитектура для текстовой инженерии (GATE)
Когда предприятия используют каждый тип машинного обучения?
Предприятия используют разные типы машинного обучения в зависимости от своих конечных целей. Ниже приведены некоторые примеры того, когда компания может использовать каждый тип машинного обучения:
контролируемое обучение
Компания может использовать контролируемое обучение для следующих целей:
Прогнозирование оттока клиентов или процент клиентов, которые перестали использовать продукт
Прогнозирование вероятности закрытия лида продаж
Оценка эластичности цены продукта
Классификация клиентов на основе факторов, например, могут ли они погасить кредит
Оценка характеристик товара, повышающих вероятность его продажи
Проведение оценки рисков
Неконтролируемое обучение
Неконтролируемое обучение помогает компаниям выполнять следующие задачи:
Разделение клиентов на отдельные группы на основе характеристик, таких как возраст
Мониторинг эффективности сотрудников
Выяснение того, какие продукты клиенты, скорее всего, купят в сочетании с другими продуктами.
Размещение релевантной информации на сайте поисковой системы
Обучение с подкреплением
Предприятия могут использовать обучение с подкреплением, пытаясь достичь следующих целей:
Определение результатов в конце видеоигры
Персонализация предложений клиентам
Обучение роботов выполнению задач
Эффективное управление ресурсами и сокращение потребления
Оценка параметров
Полуконтролируемое обучение
Полуконтролируемое обучение помогает компаниям выполнять такие задачи, как:
Классификация и поиск большого количества помеченных текстовых документов
Управление и маркировка аудио и видео
Обработка естественного языка
Ранжирование релевантности веб-страниц на сайте поисковой системы