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?qū)W習系統(tǒng)。它是人工智能的一個領(lǐng)域，致力于通過經(jīng)驗或接觸數(shù)據(jù)自動改進的算法。另外，機器學習分為有監(jiān)督和無監(jiān)督兩個基本領(lǐng)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(guān)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(jù)收集到的數(shù)據(jù)，機器會改進計算機程序以將其定制為所需的結(jié)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(jīng)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(jié)合了機器學習來提高產(chǎn)品質(zhì)量。機器學習的一些示例包括自動駕駛汽車、高級網(wǎng)絡(luò)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(jiān)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(jié)果。而另一部分稱為無監(jiān)督學習。簡單地說，它的工作是在輸入數(shù)據(jù)中尋找隱藏的模式或內(nèi)部結(jié)構(gòu)。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(chuàng)建的。通常，將訓練數(shù)據(jù)集提供給算法以構(gòu)建模型。現(xiàn)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(xiàn)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(shù)據(jù)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(jiān)督學習，它根據(jù)已知的輸入和輸出訓練模型，從而預測未來的結(jié)果，另一種是無監(jiān)督學習。這種學習方法在輸入中尋找隱藏的模式或內(nèi)部結(jié)構(gòu)。

監(jiān)督學習

另一種方法是監(jiān)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(chǎn)生盡可能接近期望結(jié)果的輸出的模型。那么，監(jiān)督學習中常用的算法包括神經(jīng)網(wǎng)絡(luò)、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(shù)據(jù)，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(guān)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(shù)據(jù)“監(jiān)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(shù)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(yè)設(shè)備機械部件的故障。
• 尋找疾病危險因素。
• 預測房地產(chǎn)價格。

無監(jiān)督學習

另一方面，我們有監(jiān)督學習。在這種情況下，它需要用戶協(xié)助機器學習，而無監(jiān)督學習不使用相同的標記訓練集和數(shù)據(jù)。相反，機器會在數(shù)據(jù)中尋找不太明顯的模式。為此，當您需要發(fā)現(xiàn)模式并使用數(shù)據(jù)做出決策時，此類型非常有用。無監(jiān)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(gòu)建預測模型。常見的應用程序還包括集群，它創(chuàng)建模型，根據(jù)某些屬性對對象進行分組，以及關(guān)聯(lián)，它定義集群之間存在的規(guī)則。以下是一些使用示例：

用例

• 識別客戶數(shù)據(jù)關(guān)聯(lián)（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(jù)銷售和/或制造指標對庫存進行分組。
• 根據(jù)購買行為創(chuàng)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(huán)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(wǎng)絡(luò)和 Q 學習。

有趣的是，據(jù)推測，大多數(shù)機器學習平臺缺乏強化學習能力，因為它們需要比大多數(shù)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(tài)域或包含大量相關(guān)數(shù)據(jù)的域的域。值得注意的是，這種類型的機器學習比監(jiān)督學習需要更少的管理，因此未標記的數(shù)據(jù)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(xiàn)。

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(tài)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(tǒng)計套利

從本質(zhì)上講，統(tǒng)計套利是一種在金融領(lǐng)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(jīng)濟變量和相關(guān)性來分析一組證券。

統(tǒng)計套利的現(xiàn)實世界示例：

• 識別實時套利機會。
• 分析市場微觀結(jié)構(gòu)的算法交易。
• 分析大型數(shù)據(jù)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(jié)構(gòu)化數(shù)據(jù)中提取結(jié)構(gòu)化信息。組織從他們的客戶那里收集大量數(shù)據(jù)。特別是，機器學習 算法 會自動執(zhí)行為預測分析工具注釋數(shù)據(jù)集的過程。

提取的真實例子：

• 幫助醫(yī)生快速診斷和治療問題。
• 開發(fā)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(shù)據(jù)分組。然后，組由分析師設(shè)置的規(guī)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(tǒng)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(zhuǎn)換為文本。一些軟件應用程序可以將現(xiàn)場和錄制的語音轉(zhuǎn)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(xiàn)實世界示例：

• 語音搜索。
• 語音撥號。
• 電器控制。

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

醫(yī)學診斷

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

醫(yī)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(xié)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(jié)合，可以掃描患者照片并識別與罕見遺傳病相關(guān)的表型。感謝您閱讀不同類型的機器學習示例。我們現(xiàn)在將結(jié)束這篇文章。

結(jié)論

到目前為止，我們已經(jīng)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(tǒng)。我們知道這是一項無監(jiān)督學習任務。它也很容易改寫為監(jiān)督任務。本質(zhì)上，您只需要標記您的數(shù)據(jù)。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(zhí)行任務。