1. Makine öğrenimi nedir?
Makineler büyük miktarda veriyi analiz ederek öğrenirler. Örneğin, kedileri veya insan yüzlerini tanımak için programlamaya gerek yoktur, belirli hedefleri özetlemek ve tanımak için resimler kullanılarak eğitilebilirler.
2. Makine öğrenimi ve yapay zeka arasındaki ilişki
3. Makine öğrenimi nasıl çalışır?
Veri seçin: verilerinizi üç gruba ayırın: eğitim verileri, doğrulama verileri ve test verileri;
Model verileri: ilgili özellikleri kullanan modeller oluşturmak için eğitim verilerini kullanın;
Doğrulama modeli: modelinize bağlanmak için doğrulama verilerinizi kullanın;
Test modeli: Doğrulanmış modelin performansını kontrol etmek için test verilerinizi kullanın;
Model kullanın: yeni verilerle ilgili tahminlerde bulunmak için tam olarak eğitilmiş bir model kullanın;
4. Makine öğrenimi nerede?
Geleneksel programlama: yazılım mühendisleri sorunları çözmek için programlar yazar. İlk olarak, bazı veriler vardır bir sorunu çözmek için, yazılım mühendisi makineye ne yapması gerektiğini söyleyen bir işlem yazar bilgisayar yürütmek için bu işlemi izler ve ardından sonucu alır;
İstatistikler: Analistler değişkenler arasındaki ilişkiyi karşılaştırır;
Makine öğrenimi: Veri bilimcileri, bilgisayara ne yapacağını öğretmek için eğitim veri setlerini kullanır ve ardından sistem görevi yürütür. İlk olarak, büyük veri var makine sınıflandırma için eğitim veri setini kullanmayı öğrenecek, hedef sınıflandırmaya ulaşmak için belirli algoritmaları ayarlayacak bilgisayar verilerdeki ilişkileri, eğilimleri ve kalıpları tanımayı öğrenebilir;
Akıllı uygulama: Akıllı uygulamada yapay zeka kullanımının sonucu, hassas tarım uygulamasının bir uygulama örneğinin resminde gösterildiği gibi, uygulama dronlar tarafından toplanan verilere dayanmaktadır.
5. Makine öğreniminin pratik uygulamaları
Makine öğrenimi için birçok uygulama senaryosu vardır. İşte bazı örnekler. Nasıl kullanırsınız?
On yıllardır, yapay zeka araştırmacılarının çeşitli "kabileleri" üstünlük için birbirleriyle yarışıyorlar. Bu kabilelerin birleşme zamanı geldi mi? Bunu yapmak zorunda da olabilirler, çünkü işbirliği ve algoritma entegrasyonu gerçek genel yapay zekaya (AGI) ulaşmanın tek yoludur. İşte makine öğrenimi yönteminin evrimi ve olası gelecek.
1. Beş okul
Sembolizm: Bilgiyi temsil etmek ve mantıksal akıl yürütme yapmak için semboller, kurallar ve mantığı kullanın Favori algoritma: kurallar ve karar ağaçları;
Bayesian: Olasılıksal akıl yürütme için gerçekleşme olasılığını bulun En sevilen algoritma: Naive Bayes veya Markov;
Bağlantısallık: kalıpları dinamik olarak tanımlamak ve özetlemek için olasılık matrisi ve ağırlıklı nöronları kullanın, favori algoritma: sinir ağı;
Evrimcilik: Değişiklikler yaratın ve ardından belirli bir amaç için en iyisini elde edin Favori algoritma: genetik algoritma;
Analogizer: İşlevi kısıtlamalara göre optimize edin (mümkün olduğu kadar, ancak aynı anda yoldan çıkmayın), favori algoritma: destek vektör makinesidir.
2. Evrimin aşamaları
1980'ler
1990'lardan 2000'e
2010'ların başından ortasına
3. Bu türlerin iş birliği yapması ve yöntemlerini bir araya getirmesi bekleniyor
2010'ların sonları
2020'ler +
2040'lar +
Hangi makine öğrenimi algoritmasını kullanmalısınız? Bu büyük ölçüde mevcut verilerin niteliğine ve miktarına ve her bir özel kullanım durumundaki eğitim hedeflerinize bağlıdır. Sonuç pahalı ek yüke ve kaynaklara değmediği sürece en karmaşık algoritmayı kullanmayın. İşte kullanım kolaylığına göre sıralanmış en yaygın algoritmalardan bazıları.
1. Karar Ağacı: Adım adım yanıt sürecinde, tipik bir karar ağacı analizi hiyerarşik değişkenleri veya karar düğümlerini kullanır.Örneğin, belirli bir kullanıcı güvenilir veya güvenilmez olarak sınıflandırılabilir.
2. Destek Vektör Makinesi (Destek Vektör Makinesi): Destek Vektör Makinesi, alt düzleme bağlı olarak veri gruplarını sınıflandırabilir.
3. Regresyon: Regresyon, bağımlı değişken ile bir veya daha fazla bağımlı değişken arasındaki durum ilişkisinin ana hatlarını çizebilir. Bu örnekte, spam ve spam olmayan arasında bir ayrım yapılmıştır.
4. Naive Bayes Sınıflandırması: Naive Bayes Sınıflandırması, olası koşulların dallanma olasılığını hesaplamak için kullanılır. Her bağımsız özellik "basittir" veya koşullu olarak bağımsızdır, bu nedenle diğer nesneleri etkilemezler. Örneğin, 5 sarı ve kırmızı top içeren bir kavanozda, arka arkaya iki sarı top alma olasılığı nedir? Şekilde üst daldan ileri geri iki sarı topu yakalama olasılığının 1/10 olduğu görülmektedir. Naive Bayes sınıflandırıcı, birden çok özelliğin birleşik koşullu olasılığını hesaplayabilir.
5. Gizli Markov modeli: Açık Markov süreci tamamen deterministiktir - belirli bir duruma genellikle başka bir durum eşlik eder. Trafik ışıkları bir örnektir. Buna karşılık, gizli Markov modeli, görünür verileri analiz ederek gizli durumların oluşumunu hesaplar. Daha sonra, gizli durum analizinin yardımıyla, gizli Markov modeli gelecekteki olası gözlem modellerini tahmin edebilir. Bu örnekte, yüksek veya düşük hava basıncı olasılığı (gizli bir durumdur) güneşli, yağmurlu ve bulutlu günlerin olasılığını tahmin etmek için kullanılabilir.
6. Rastgele orman: Rastgele orman algoritması, rastgele seçilen veri alt kümeleriyle birden çok ağaç kullanarak karar ağaçlarının doğruluğunu artırır. Bu durumda meme kanseri nüksü ile ilgili çok sayıda gen, gen ekspresyonu düzeyinde incelenerek nüks riski hesaplandı.
7. Tekrarlayan sinir ağı: Herhangi bir sinir ağında, her nöron, birçok girdiyi tek bir çıktıya dönüştürmek için bir veya daha fazla gizli katman kullanır. Tekrarlayan Sinir Ağı (RNN), değerleri katman katman geçerek katman katman öğrenmeyi mümkün kılar. Başka bir deyişle, RNN, önceki çıktının sonraki girişi etkilemesine izin veren bir tür bellek biçimine sahiptir.
8. Uzun kısa süreli bellek (Uzun kısa süreli bellek, LSTM) ve geçitli yinelenen birim nerual ağ (kapılı yinelenen birim nerual ağ): RNN'nin erken biçimi kayba tabidir. Bu erken tekrarlayan sinir ağları, yalnızca küçük bir miktar erken bilginin saklanmasına izin verse de, son uzun ve kısa süreli bellek (LSTM) ve geçitli tekrarlayan birim (GRU) sinir ağları hem uzun vadeli hem de kısa süreli belleğe sahiptir. Başka bir deyişle, bu yeni RNN'ler belleği kontrol etme konusunda daha iyi bir yeteneğe sahiptir, daha önceki değerleri tutmaya veya birçok adım dizisini işlemek gerektiğinde bu değerleri sıfırlamaya izin verir, bu da "gradyan azalması" nı veya katman katman geçirilen değerleri önler. Son bozulma. LSTM ve GRU ağları, değerleri doğru zamanda geçirebilen veya sıfırlayabilen belleği kontrol etmek için "geçit" adı verilen bellek modüllerini veya yapılarını kullanmamıza izin verir.
9. Evrişimsel sinir ağı: Evrişim, çıktı katmanını etiketlemek için kullanılabilen, sonraki katmanlardan gelen ağırlıkların kaynaşmasını ifade eder.
Kaynak: Heart of the Machine