Машинное обучение PythonУчебные пособия

Машинное обучение (ML) - это в основном область информатики, где компьютерные системы могут обеспечить восприятие данных так же, как люди. Проще говоря, ML — это искусственный интеллект, который может извлекать шаблоны из необработанных данных с помощью алгоритмов или методов. ML фокусируется на том, чтобы позволить компьютерным системам учиться на опыте без явного программирования или вмешательства человека.

Этот учебник будет очень полезен для выпускников, аспирантов и студентов-исследователей, которые заинтересованы в этой дисциплине или в рамках своей учебной программы. Читатели могут быть начинающими или продвинутыми учениками. Этот учебник был подготовлен для студентов и специалистов и может быть быстро улучшен. Этот учебник является ступенькой к вашему путешествию по машинному обучению.

Читатель должен обладать базовыми знаниями об искусственном интеллекте. Он также должен знать Python, NumPy, Scikit-learn, Scipy и Matplotlib. Если вы не знакомы с этими понятиями, мы рекомендуем вам взять учебники по этим темам, прежде чем продолжить.

Мы живем в «век данных» с лучшей вычислительной мощностью и большим количеством ресурсов хранения. Эти данные или информация увеличиваются с каждым днем, но реальная проблема заключается в том, чтобы разобраться во всех данных. Предприятия и организации пытаются справиться с этим, создавая интеллектуальные системы, используя концепции и методы из науки о данных, интеллектуального анализа данных и машинного обучения. Среди них машинное обучение является самой захватывающей областью в информатике. Если мы называем машинное обучение приложением и наукой алгоритмов, которые могут придать смысл данным, это правильно.

Машинное обучение (ML) — это область информатики, где компьютерные системы могут обеспечить восприятие данных так же, как люди.

Проще говоря, ML — это искусственный интеллект, который извлекает шаблоны из необработанных данных с помощью алгоритмов или методов. Основное внимание ML уделяется тому, чтобы позволить компьютерным системам учиться на опыте без явного программирования или вмешательства человека.

В настоящее время люди являются самыми умными и продвинутыми видами на Земле, потому что они могут думать, оценивать и решать сложные проблемы. С другой стороны, искусственный интеллект все еще находится в зачаточном состоянии и не превзошел человеческий интеллект во многих аспектах. Тогда вопрос в том, что нужно, чтобы сделать машинное обучение? Наиболее подходящей причиной для этого является «принятие эффективных и действенных решений на основе данных».

В последнее время организации вкладывают значительные средства в новые технологии, такие как искусственный интеллект, машинное обучение и глубокое обучение, чтобы получать важную информацию из данных для выполнения некоторых практических задач и решения проблем. Мы можем назвать это решениями, основанными на данных, принимаемыми машинами, особенно теми, которые автоматизируют процессы. В задачах, где программирование не является неотъемлемым, эти решения, основанные на данных, могут использоваться вместо логики программирования. Правда в том, что мы не можем обойтись без человеческого интеллекта, но, с другой стороны, мы все должны эффективно решать реальные проблемы. Вот почему машинное обучение необходимо.

Мы говорили о необходимости машинного обучения, но другой вопрос заключается в том, при каких обстоятельствах должно быть сделано машинное обучение? В некоторых случаях нам нужны машины для эффективного и масштабного принятия решений на основе данных. Вот несколько таких случаев, которые делают машинное обучение более эффективным.

Первый сценарий, в котором нам нужно машинное обучение и выполнение решений, основанных на данных, может быть областью, в которой не хватает опыта. Примерами могут быть навигация в неизвестных регионах или на космической планете.

Некоторые сценарии носят динамичный характер, т.е. постоянно меняются с течением времени. В случае таких ситуаций и поведения нам нужно машинное обучение и принятие решений, основанных на данных. Некоторыми примерами могут быть сетевое подключение и доступность инфраструктуры в организации.

Люди могут иметь свой собственный опыт в различных областях; Однако они не смогли перевести этот опыт в вычислительные задачи. В этом случае нам нужно машинное обучение. Эти примеры могут быть в таких областях, как распознавание речи, когнитивные задачи и многое другое.

Прежде чем обсуждать модели машинного обучения, мы должны понять следующее формальное определение ML, данное профессором Митчеллом:

«Говорят, что компьютерная программа может узнать из опыта E об определенном типе задачи T и показателе производительности P, если производительность компьютера по задаче в T (измеренная P) улучшается с опытом E».

Алгоритмы машинного обучения должны выполнять задачи и накапливать опыт с течением времени. Метрикой, которая измеряет, работает ли алгоритм машинного обучения так, как ожидалось, является его производительность (P). P — это в основном количественная метрика, которая использует эмпирическое E, чтобы сказать модели, как выполнять задачу T. Есть много показателей, которые помогают понять производительность ML, такие как показатель точности, показатель F1, матрица путаницы, точность, отзыв, чувствительность и т. Д.

В то время как машинное обучение быстро развивается и делает большие успехи в кибербезопасности и автономных транспортных средствах, всей области ИИ еще предстоит пройти долгий путь. Причина этого заключается в том, что ML не может преодолеть многие проблемы. Текущие проблемы, стоящие перед ML:

Качество данных - Получение высококачественных данных для алгоритмов машинного обучения является одной из самых больших проблем. Использование данных низкого качества может привести к проблемам, связанным с предварительной обработкой данных и извлечением функций.

Трудоемкие задачи — еще одной проблемой для моделей машинного обучения является напрасная трата времени, особенно при сборе данных, извлечении и извлечении объектов.

Поскольку технология машинного обучения все еще находится в зачаточном состоянии, доступ к экспертным ресурсам является сложной задачей.

Нет четкой цели для решения бизнес-проблемы - ML не имеет другой четкой цели и четкой цели бизнес-проблемы, потому что технология еще не созрела.

Проблемы с переподгонкой и недоподгонкой - Если модель перенастроена или недоподготовлена, это не решает проблему хорошо.

Проклятие измерений - Еще одна проблема для моделей МАШИНного обучения заключается в том, что существует слишком много особенностей точек данных. Это может стать настоящим препятствием.

Сложность развертывания - Сложность моделей машинного обучения затрудняет развертывание в реальной жизни.

Машинное обучение является самой быстрорастущей технологией, и, по мнению исследователей, мы находимся в золотых годах ИИ и МО. Он используется для решения многих сложных проблем в реальном мире, которые традиционные методы не могут решить. Вот некоторые практические применения ML-