Какво се разбира под машинно обучение?

Машинното обучение може да се дефинира като подгрупа, която попада в групата на изкуствения интелект. Основно хвърля светлина върху обучението на машините въз основа на техния опит и предвиждане на последствия и действия въз основа на минал опит.

Какъв е подходът на машинното обучение?

Машинното обучение направи възможно компютрите и машините да измислят решения, които се управляват от данни, различни от просто програмирани изрично за изпълнение на конкретна задача. Тези типове алгоритми, както и програми, са създадени по такъв начин, че машините и компютрите да се учат сами и по този начин да могат да се подобряват сами, когато се запознаят с данни, които са напълно нови и уникални за тях.

Алгоритъмът на машинното обучение е оборудван с използването на данни за обучение, които се използват за създаване на модел. Всеки път, когато данни, уникални за машината, се въвеждат в алгоритъма за машинно обучение, ние можем да получим прогнози въз основа на модела. Така машините се обучават да могат да предсказват сами.

След това тези прогнози се вземат предвид и се проверяват за тяхната точност. Ако точността получи положителен отговор, тогава алгоритъмът на машинното обучение се обучава отново и отново с помощта на разширен набор за обучение на данни.

Задачите, включени в машинното обучение, са диференцирани в различни широки категории. В случай на контролирано обучение, алгоритъмът създава модел, който е математически на набор от данни, съдържащ както входовете, така и желаните изходи. Вземете например, когато задачата е да се установи дали дадено изображение съдържа конкретен обект, в случай на алгоритъм за контролирано обучение, обучението за данни включва изображения, които съдържат обект или не, и всяко изображение има етикет (това е изходът), отнасящ се до факта дали има обекта или не.

В някои уникални случаи въведеният вход е наличен само частично или е ограничен до определена специална обратна връзка. В случай на алгоритми за полу-контролирано обучение, те измислят математически модели от обучението с данни, което е непълно. При това често се установява, че части от примерни входове пропускат очаквания желан изход.

Алгоритмите за регресия, както и алгоритмите за класифициране, спадат към видовете контролирано обучение. В случай на алгоритми за класифициране, те се прилагат, ако изходите са намалени само до ограничен(и) набор(и) от стойности.

В случай на регресионни алгоритми, те са известни поради техните изходи, които са непрекъснати, това означава, че те могат да имат всяка стойност в обхвата на диапазон. Примери за тези непрекъснати стойности са цена, дължина и температура на обект.

Алгоритъм за класифициране се използва за целите на филтриране на имейли, в този случай входът може да се счита за входящ имейл, а изходът ще бъде името на тази папка, в която е архивиран имейлът.

Empfohlene Artikel

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert