不同類型的機器學習示例。首先，機器學習也被稱為自學習機或學習系統。它是人工智能的一個領域，致力于通過經驗或接觸數據自動改進的算法。另外，機器學習分為有監督和無監督兩個基本領域。每個都有特定的目的和活動，這將在本文中介紹。

在此博客中，我們介紹了機器學習的主要概念。此外，我還討論了機器學習的工作原理，以及它們的主要類型。我邀請您通過示例閱讀有關不同類型機器學習的文章的其余部分。

什么是機器學習？

誠然，機器學習是人工智能的一個小應用，可以讓機器自動學習和改進任務，從而提高工作效率。根據收集到的數據，機器會改進計算機程序以將其定制為所需的結果。因為這些機器是自學的，所以這些計算機不需要顯式編程。

然而，這個概念已經在我們不知不覺中廣泛地進入了我們的生活。我們使用的幾乎每臺機器，以及我們在過去十年中見過的最先進的機器，都結合了機器學習來提高產品質量。機器學習的一些示例包括自動駕駛汽車、高級網絡搜索和語音識別。

機器學習如何工作？

下一個問題是機器學習究竟是如何工作的？好吧，監督學習能夠在已知的輸入和輸出上訓練模型，是一個有趣的應用。此外，它是以這種方式制作的，因此它可以預測未來的結果。而另一部分稱為無監督學習。簡單地說，它的工作是在輸入數據中尋找隱藏的模式或內部結構。請看下面的示例，了解它是如何工作的：

好吧，上面的模型展示了ML如何讓您使用不同類型的算法和方法。這些算法是使用各種編程語言創建的。通常，將訓練數據集提供給算法以構建模型。現在，給 ML 算法一個輸入，它返回一個基于模型的估計/預測值。現在，如果預測正確，則接受并實施算法。但是，如果預測不準確，我們會使用訓練數據集重新訓練算法以獲得準確的預測/估計。

機器學習的類型

值得注意的是，我們使用兩種類型的學習方法。一種是監督學習，它根據已知的輸入和輸出訓練模型，從而預測未來的結果，另一種是無監督學習。這種學習方法在輸入中尋找隱藏的模式或內部結構。

監督學習

另一種方法是監督學習。這種類型具有將歷史輸入和輸出傳遞給學習算法的有趣能力，并且每個輸入/輸出對之間的處理允許算法操縱產生盡可能接近期望結果的輸出的模型。那么，監督學習中常用的算法包括神經網絡、決策樹、線性回歸和支持向量機。

其次，這種機器學習之所以得名，是因為機器在訓練過程中受到“控制”。反過來，這意味著提供算法信息來幫助學習。我們提供給機器的輸出被標記為數據，我們提供的其余信息用作輸入特征。

例如，如果您試圖找出貸款違約與借款人信息之間的關系，您可以為機器提供 500 個拖欠貸款的客戶實例和另外 500 個沒有拖欠貸款的客戶實例。然后，標記的數據“監視”您的計算機以獲取您正在尋找的信息。簡而言之，這是一項令人驚嘆且令人興奮的技術進步。

用例

用例的一些示例包括：

• 對銀行交易是否存在欺詐進行分類。
• 確定貸款申請人是低風險還是高風險。
• 預測工業設備機械部件的故障。
• 尋找疾病危險因素。
• 預測房地產價格。

無監督學習

另一方面，我們有監督學習。在這種情況下，它需要用戶協助機器學習，而無監督學習不使用相同的標記訓練集和數據。相反，機器會在數據中尋找不太明顯的模式。為此，當您需要發現模式并使用數據做出決策時，此類型非常有用。無監督學習中常用的算法包括隱藏標記模型、k-means、層次聚類和混合高斯模型。

此外，通過這種類型的學習，它被廣泛用于構建預測模型。常見的應用程序還包括集群，它創建模型，根據某些屬性對對象進行分組，以及關聯，它定義集群之間存在的規則。以下是一些使用示例：

用例

• 識別客戶數據關聯（例如，購買了某種款式的包的顧客可能對某種款式的鞋子感興趣）。
• 根據銷售和/或制造指標對庫存進行分組。
• 根據購買行為創建客戶群。

強化學習

第三種 ML 是強化學習。在這里，通過這種類型的機器學習，它與人類的學習方式最為相似。簡而言之，算法或代理通過與環境交互并接收正面或負面的獎勵來使用這種類型的學習。在這里，常見的算法包括時間延遲、深度對抗網絡和 Q 學習。

有趣的是，據推測，大多數機器學習平臺缺乏強化學習能力，因為它們需要比大多數組織更多的處理能力。因此，強化學習是一個被理想地建模并應用于靜態域或包含大量相關數據的域的域。值得注意的是，這種類型的機器學習比監督學習需要更少的管理，因此未標記的數據集被認為更容易使用。同時，這種機器學習的實際應用仍在不斷涌現。

用例

一些使用示例包括：

• 訓練機器人使用原始視頻圖像作為輸入來學習策略，并用于復制機器人看到的動作。
• 動態控制交通信號燈以減少交通擁堵。
• 教汽車自動停車和自動駕駛。

機器學習的例子

統計套利

從本質上講，統計套利是一種在金融領域用于管理大量證券的自動交易策略。該策略使用交易算法通過經濟變量和相關性來分析一組證券。

統計套利的現實世界示例：

• 識別實時套利機會。
• 分析市場微觀結構的算法交易。
• 分析大型數據集。

萃取

隨后，ML 的另一個例子是提取。換句話說，機器學習從非結構化數據中提取結構化信息。組織從他們的客戶那里收集大量數據。特別是，機器學習 算法 會自動執行為預測分析工具注釋數據集的過程。

提取的真實例子：

• 幫助醫生快速診斷和治療問題。
• 開發預防、診斷和治療疾病的方法。
• 生成一個模型來預測聲帶疾病。

預測分析

同樣，機器學習將可用數據分組。然后，組由分析師設置的規則定義。分類完成后，分析師計算失敗的概率。

預測分析的例子：

• 改進預測系統以計算故障的可能性。
• 預測交易是欺詐性的還是合法的。

語音識別

將語音轉換為文本。一些軟件應用程序可以將現場和錄制的語音轉換為文本文件。語音也可以通過時間頻帶的強度來分段。

語音識別的現實世界示例：

• 語音搜索。
• 語音撥號。
• 電器控制。

Google Home 和 Amazon Alexa 等設備是最常見的語音識別應用程序。

醫學診斷

ML的另一個例子，有助于疾病的診斷。許多醫生使用語音識別、聊天機器人來識別癥狀模式。

醫療診斷示例：

• 腫瘤學和病理學使用機器學習來識別癌組織。
• 協助制定診斷或推薦治療方案。
• 分析體液。

總而言之，對于罕見病，面部識別軟件與機器學習相結合，可以掃描患者照片并識別與罕見遺傳病相關的表型。感謝您閱讀不同類型的機器學習示例。我們現在將結束這篇文章。

結論

到目前為止，我們已經討論了三種不同類型的機器學習，但需要注意的是，有時它們之間的差異并不那么明顯，或者它們看起來幾乎相同。例如，考慮一個推薦系統。我們知道這是一項無監督學習任務。它也很容易改寫為監督任務。本質上，您只需要標記您的數據。總而言之，所有三種類型的機器學習都旨在教授計算機算法，使它們能夠更有效地執行任務。