3 Arten von maschinellem Lernen

3 Arten von maschinellem Lernen - Dummies
< Maschinelles Lernen kommt in vielen verschiedenen Varianten vor, abhängig vom Algorithmus und seinen Zielen. Sie können maschinelle Lernalgorithmen in drei Hauptgruppen aufteilen, basierend auf ihrem Zweck:

Überwachtes Lernen

  • Unbeaufsichtigtes Lernen
  • Verstärktes Lernen
  • Überwachtes Lernen

Überwachtes Lernen

tritt auf, wenn ein Algorithmus vom Beispiel lernt Daten und zugehörige Zielantworten, die aus numerischen Werten oder String-Labels wie Klassen oder Tags bestehen können, um später bei neuen Beispielen die richtige Antwort vorherzusagen. Der überwachte Ansatz ähnelt tatsächlich dem menschlichen Lernen unter der Aufsicht eines Lehrers. Der Lehrer gibt dem Schüler gute Beispiele zum Auswendiglernen, und der Schüler leitet daraus allgemeine Regeln ab.

Sie müssen unterscheiden zwischen Regressionsproblemen, deren Ziel ein numerischer Wert ist, und Klassifizierungsproblemen, deren Ziel eine qualitative Variable ist, z. B. eine Klasse oder ein Tag. Eine Regressionsaufgabe bestimmt die durchschnittlichen Preise von Häusern in der Gegend von Boston und eine Klassifizierungsaufgabe unterscheidet zwischen Arten von Irisblüten, basierend auf ihren Kelchblatt- und Blütenblattmaßen.

Unbeaufsichtigtes Lernen

Unbeaufsichtigtes Lernen

tritt auf, wenn ein Algorithmus aus einfachen Beispielen ohne zugehörige Reaktion lernt und den Algorithmus überlässt, um die Datenmuster selbst zu bestimmen. Dieser Typ von Algorithmus neigt dazu, die Daten in etwas anderes umzuwandeln, wie zum Beispiel neue Merkmale, die eine Klasse oder eine neue Reihe von unkorrelierten Werten darstellen können. Sie sind sehr nützlich, um den Menschen Einsichten in die Bedeutung von Daten und neue nützliche Inputs für überwachte maschinelle Lernalgorithmen zu vermitteln.

Als eine Art des Lernens ähnelt es den Methoden, die Menschen verwenden, um herauszufinden, dass bestimmte Objekte oder Ereignisse aus der gleichen Klasse stammen, z. B. durch Beobachten des Ähnlichkeitsgrades zwischen Objekten. Einige Empfehlungssysteme, die Sie im Web in Form von Marketing-Automatisierung finden, basieren auf dieser Art des Lernens.

Der Marketingautomatisierungsalgorithmus leitet seine Vorschläge von dem ab, was Sie in der Vergangenheit gekauft haben. Die Empfehlungen basieren auf einer Schätzung, welcher Gruppe von Kunden Sie am meisten ähneln, und leiten dann Ihre wahrscheinlichen Präferenzen basierend auf dieser Gruppe ab.

Verstärkungslernen

Verstärkungslernen

tritt auf, wenn Sie den Algorithmus mit Beispielen versehen, denen die Bezeichnungen fehlen, wie beim unbeaufsichtigten Lernen. Sie können jedoch ein Beispiel mit positiver oder negativer Rückmeldung gemäß der vom Algorithmus vorgeschlagenen Lösung begleiten.Das verstärkende Lernen ist mit Anwendungen verbunden, für die der Algorithmus Entscheidungen treffen muss (so ist das Produkt präskriptiv, nicht nur deskriptiv, wie beim unbeaufsichtigten Lernen), und die Entscheidungen haben Konsequenzen. In der menschlichen Welt ist es wie Lernen durch Ausprobieren. Fehler helfen Ihnen zu lernen, weil sie eine Strafe hinzugefügt haben (Kosten, Zeitverlust, Reue, Schmerz usw.), die Ihnen zeigt, dass eine bestimmte Vorgehensweise weniger erfolgreich ist als andere. Ein interessantes Beispiel für das Lernen mit Verstärkung ist, wenn Computer lernen, Videospiele selbst zu spielen.

In diesem Fall präsentiert eine Anwendung den Algorithmus mit Beispielen für bestimmte Situationen, wie zum Beispiel, dass der Spieler in einem Labyrinth stecken bleibt, während er einen Feind meidet. Die Anwendung lässt den Algorithmus das Ergebnis von Handlungen erkennen, die er benötigt, und das Lernen findet statt, während es versucht, das zu vermeiden, was es entdeckt, um gefährlich zu sein und das Überleben zu verfolgen. Sie können sich ansehen, wie das Unternehmen Google DeepMind ein Verstärkungslernprogramm erstellt hat, das alte Atari-Videospiele abspielt. Beachten Sie beim Anschauen des Videos, wie das Programm anfangs ungeschickt und ungelernt ist, sich aber mit dem Training stetig verbessert, bis es ein Champion wird.