Ich habe versucht, die Begriffe des maschinellen Lernens, die ich gelernt habe, auf meine eigene Weise zu organisieren.
Bisher haben Menschen beim Programmieren explizit Befehle an PCs ausgegeben. Ich hatte die Kontrolle über das Programm. Dies nennt man explizites Lernen.
Diese Technik hat beispielsweise für viele Muster wie Spamfilter ihre Grenzen. Für Menschen ist es schwierig, alle Spam-Mails explizit zu logisieren und zu 100% zu verhindern. (Hart) Daher ist "Opportunity Learning" ein Konzept, das 1959 von Arthur Samuel entwickelt wurde. "Ein Programm lernt autonom Daten aus Daten und Phänomenen, die Menschen nicht einzeln programmieren, um Logik zu erzeugen."
Es gibt zwei Hauptlernmethoden für maschinelles Lernen.
· Überwachtes Lernen · Unbeaufsichtigtes Lernen
Es gibt Trainingsdaten im Voraus, und das Lernen wird anhand dieser als Leitfaden durchgeführt. Die zu lernenden Daten werden als Traning-Datensatz bezeichnet.
Als Beispiel für betreutes Lernen Es gibt Alpha Go, das Hunderte Millionen von Go-Spieldaten lernen und den besten Schritt in Bezug auf den Wert von x machen kann, nicht wahr?
Um den Fluss zusammenzufassen
Übergeben Sie den Wert x ↓ Sagen Sie das Ergebnis voraus, indem Sie die gelernten Daten mit a vergleichen, indem Sie anhand der voreingestellten Daten lernen. ↓ Gibt die durch Lernen erzielten Ergebnisse zurück
Beispiel) A 7 Stunden lang studiert-> Vorhersage der Punktzahl anhand der Trainingsdaten-> A sollte 75 Punkte erhalten! Vorhersagen
Ich denke es sieht so aus.
Darüber hinaus kann Superviored Learning grob in 3 Wochen unterteilt werden.
・ Regression ・ Binäre Klassifizierung ・ Klassifizierung mit mehreren Etiketten
Vorhersage von Ergebnissen mit einer Vielzahl von Vorhersagen
Beispiel) Sagen Sie voraus, wie viele Punkte (0 bis 100) Sie erhalten, indem Sie sich die Zeit ansehen, die Sie studiert haben
Lerndaten zur Klassifizierung von wahren / falschen Ergebnissen
Beispiel) Sagen Sie anhand der Lernzeit voraus, ob die Prüfung bestanden oder nicht bestanden werden soll Ich denke, es ist die einfachste Lernmethode in Supervisored Learning.
Multi-label classification
Lerndaten zur Klassifizierung mehrerer Ergebnisse
Beispiel) Sagen Sie Einheiten wie A, B, C, D, E, F anhand der Lernzeit voraus
Es ist aus dem Wert der Anfrage zu lernen, ohne die Trainingsdaten im Voraus zu haben.
Um ein Beispiel für unbeaufsichtigtes Lernen zu geben, gibt es Google News, das ähnliche Artikel autonom gruppiert. Dies liegt daran, dass es schwierig ist, ähnliche Artikel im Voraus zu antizipieren und einen Datensatz zu erstellen Jedes Mal sehen Sie den Inhalt des Artikels, lernen die Daten und zeigen ähnliche Artikel an.
Das nächste Mal möchte ich die lineare Regression beim Superviosrd-Lernen zusammenfassen.
Recommended Posts