Прежде чем мы начнем говорить о контролируемом машинном обучении. Давайте посмотрим, что такое машинное обучение (ML)!

Первое определение машинного обучения «это область исследования, которая дает компьютерам возможность учиться без явного программирования», данное Артуром Сэмюэлем в 1959 году.

Другой, более ориентированный на инженеров подход, может звучать так: Говорят, что компьютерная программа учится на опыте E в отношении некоторой задачи. T и некоторой оценке производительности P, если ее производительность по T, измеряемая P, улучшается с опытом E». Том Митчелл в 1997 году

Том Митчелл действительно заставил это звучать тяжело, но ритмично. Давайте сделаем это проще! Рассмотрим игру в шашки:

  • Опыт E: будет опыт, когда программа сама играет в десятки тысяч игр.
  • Задание T:будет играть в шашки,
  • Показатель эффективности P: будет вероятностью выиграть следующую игру в шашки у какого-то нового противника.

Системы машинного обучения

Системы машинного обучения можно классифицировать в зависимости от объема и типа контроля, который они получили на этапе обучения, на машинное обучение с учителем, машинное обучение без учителя и обучение с подкреплением. Мы также можем добавить полуконтролируемое обучение, которое представляет собой комбинацию контролируемого и неконтролируемого машинного обучения.

В этой статье мы сосредоточимся на контролируемом машинном обучении!

Что такое контролируемое обучение?

Как видите, контролируемое машинное обучение — это подкатегория машинного обучения, тип искусственного интеллекта (ИИ), который позволяет программным приложениям более точно прогнозировать результаты без явного программирования.

Как работает контролируемое обучение?

Первое, что вам нужно знать, это то, что мы предоставляем алгоритму пары входных данных и желаемых выходных данных (цель), как показано ниже.

Таким образом, когда алгоритм столкнется с новым входом, он найдет способ произвести желаемый результат.

В зависимости от типа нашего результата (цели) контролируемое машинное обучение можно разделить на две категории.

Давайте подробнее рассмотрим классификацию и регрессию!

Регрессия

Как мы уже видели ранее, для машинного обучения с учителем мы предоставляем нашему алгоритму пары входных данных и желаемых выходных данных (целей), чтобы для будущих новых входных данных он нашел способ произвести желаемый результат. Здесь наши желаемые выходные значения являются непрерывными значениями. Известным примером регрессии может быть предсказание цен на дома.

Обратите внимание, что алгоритм обучения пытается предсказать «непрерывный (реальный) значимый результат»

Классификация

Как мы видели ранее, для машинного обучения с учителем мы предоставляем пары входных данных и желаемых выходных данных (целей) нашему алгоритму, чтобы для будущих новых входных данных он нашел способ произвести желаемый результат, а для классификации наши желаемые выходные значения равны дискретные значения.

Обратите внимание, что алгоритм обучения пытается предсказать «дискретный (класс) выходной результат (0 или 1)»

Классификация также делится на типы!

Мы отмечаем бинарную классификацию, многоклассовую классификацию, многоуровневую классификацию

Некоторые примеры контролируемого машинного обучения

Общие алгоритмы контролируемого машинного обучения:

❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁❁

Это было краткое введение в контролируемое машинное обучение (❁´◡`❁)!

Надеюсь, вам понравилось читать ╰(*°▽°*)╯!