Сочинение на тему Машинное обучение

Аннотация. Проблема обучения и принятия решений лежит в основе аргументации как в биологическом, так и в искусственном аспектах. Таким образом, ученый представил машинное обучение как широко используемую концепцию в искусственном интеллекте. Это концепция, которая учит машины распознавать различные модели и адаптироваться к новым обстоятельствам. Машинное обучение может быть основано на опыте и объяснениях. В области робототехники машинное обучение играет жизненно важную роль, оно помогает в принятии оптимального решения для машины, что в конечном итоге повышает эффективность машины и обеспечивает более организованный способ выполнения конкретной задачи. В настоящее время концепция машинного обучения используется во многих приложениях и является основной концепцией интеллектуальных систем, что приводит к внедрению инновационных технологий и более продвинутых концепций искусственного мышления. Ключевые слова – машинное обучение, контролируемое обучение, неконтролируемое обучение, алгоритмы

ВВЕДЕНИЕ

Обучение рассматривается как параметр для интеллектуальных машин. Глубокое понимание поможет принять решение в более оптимизированной форме, а также поможет работать наиболее эффективным способом. Поскольку зрение – это интеллект, обучение также становится ключом к изучению биологического и искусственного зрения. Вместо того, чтобы строить тяжелые машины с явным программированием, сейчас внедряются различные алгоритмы, которые помогут машине понять виртуальную среду и на основе их понимания машина примет конкретное решение. Это в конечном итоге уменьшит количество концепций программирования, а также машина станет независимой и будет принимать решения самостоятельно. Для разных типов машин и принимаемых ими решений вводятся разные алгоритмы. Разработка алгоритма и его использование наиболее подходящим способом является настоящей проблемой для разработчиков и ученых. Распознавание образов также является концепцией в машинном обучении. Большинство алгоритмов используют концепцию распознавания образов для принятия оптимизированных решений.

Вследствие этого нового интереса к обучению мы переживаем новую эру в методах статистической и функциональной аппроксимации и их применениях в такой области, как компьютерное видение. В данной исследовательской работе особое внимание уделяется различным типам алгоритмов машинного обучения и их наиболее эффективному использованию для принятия решений более эффективным и выполнения задачи в более оптимизированной форме. Разный алгоритм дает машине разный опыт обучения и адаптации других вещей из окружающей среды. На основе этих алгоритмов машина принимает решение и выполняет специализированные задачи. Поэтому очень важно, чтобы алгоритмы были оптимизированы, а сложность – уменьшена, потому что чем эффективнее алгоритм, тем эффективнее будут принимать решения.

Алгоритмы машинного обучения не полностью зависят от щедрости природы как для вдохновения, так и для механизмов. Фундаментально и научно эти алгоритмы зависят от используемых структур данных, а также от теории обучения когнитивных и генетических структур. Но все же естественная процедура обучения дает большие возможности для понимания и широкие возможности для разнообразия различных типов обстоятельств. Аниш Талвар, том 2, выпуск 12, декабрь 2013 г., страница №3400-3404. Многие алгоритмы машинного обучения обычно заимствуются из современного мышления в когнитивной науке и нейронных сетях. В целом мы можем сказать, что обучение определяется с точки зрения повышения производительности на основе некоторой меры. Чтобы узнать, узнал ли агент, мы должны определить меру успеха. Мера, как правило, заключается не в том, насколько хорошо агент работает с опытом обучения, а в том, насколько хорошо агент работает для нового опыта. В этой исследовательской работе мы рассмотрим два основных типа алгоритмов, то есть обучение под наблюдением и без надзора. , Рис. 1 Схема, представляющая механизм машинного обучения

СВЯЗАННЫЕ РАБОТЫ

Салли Голдман и др. [1] предложили практические сценарии обучения, в которых мы имеем небольшой объем помеченных данных вместе с большим пулом немеченых данных, и представили стратегию «совместного обучения» для использования немеченых данных для улучшения стандартного контролируемого обучения. алгоритмы. Она предположила, что есть два различных контролируемых алгоритма обучения, которые оба выводят гипотезу, которая определяет раздел пространства экземпляра для, например, дерево решений разделяет пространство экземпляров с одним эквивалентным классом, определенным для каждого дерева. В заключение она пришла к выводу, что два контролируемых алгоритма обучения могут успешно использоваться для маркировки данных друг для друга. Zoubin Ghahramani et.al [2] дал краткий обзор неконтролируемого обучения с точки зрения статистического моделирования.

По его словам, неконтролируемое обучение может быть мотивировано теорией информации и байесовскими принципами. Он также рассмотрел модели в обучении без учителя. Он также пришел к выводу, что статистика обеспечивает согласованную основу для обучения на основе данных и для рассуждений в условиях неопределенности, а также упомянул типы моделей, такие как Графическая модель, которые сыграли важную роль в системах обучения для разнообразия различных видов данных. Rich Caruana et.al [3] изучил различные методы обучения под наблюдением, которые были введены в последнее десятилетие и обеспечивают крупномасштабное эмпирическое сравнение между десятью методами обучения под наблюдением. Эти методы включают в себя: SVM, нейронные сети, логистическая регрессия, наивные байесы, обучение на основе памяти, случайные леса, деревья решений, деревья в мешках, повышенные деревья и повышенные пни. Они также изучили и изучили влияние, которое калибровка моделей с помощью масштабирования Платт и изотонической регрессии оказывает на их производительность. Для оценки методов обучения они использовали различные критерии эффективности.

Никлас Лавессон и др. [4] ответили на фундаментальный вопрос о том, как оценивать и анализировать алгоритмы обучения и классификаторы под наблюдением. Одним из выводов анализа является то, что эффективность часто измеряется только с точки зрения точности, например, с помощью перекрестной проверки. Однако некоторые исследователи поставили под сомнение обоснованность использования точности в качестве единственной метрики производительности. Они дали другой подход к оценке контролируемого обучения, то есть функции измерения, ограничение текущих функций измерения состоит в том, что они могут обрабатывать только двумерные пространства экземпляров. Они представляют дизайн и реализацию обобщенной многомерной функции измерения и демонстрируют ее использование в серии экспериментов.

Результаты показывают, что есть случаи, когда функции измерения могут быть в состоянии отразить аспекты производительности, которые не могут быть получены с помощью перекрестной проверки. Наконец, они исследуют влияние настройки параметров алгоритма обучения. Yugowati Praharsi et.al [5] применил три контролируемых метода обучения, такие как k-ближайший сосед (k-NN), описание данных опорных векторов (SVDD) и машина опорных векторов (SVM), поскольку они не страдают от проблемы введя новый класс, и использовал их для описания данных и классификации. Результаты показывают, что выбор функции на основе среднего выигрыша информации и порога стандартного отклонения может рассматриваться как замена для прямого выбора. Это указывает на то, что изменение данных с использованием прироста информации является важным фактором, который необходимо учитывать при выборе подмножества признаков. Наконец, среди восьми характеристик кандидата уровень глюкозы является наиболее заметной характеристикой для выявления диабета во всех рассматриваемых классификаторах и методах выбора признаков. Измерение релевантности в получении информации может сортировать наиболее важную особенность к наименее значимой. Это может быть очень полезно в медицинских приложениях, таких как определение приоритетов функций для распознавания симптомов. Таким образом, проанализировать точность и работу всех трех методов.

ПРОБЛЕМЫ, УХОДИМЫЕ В ОБУЧЕНИИ

Обучение – сложный процесс, так как принимается множество решений, и оно зависит от машины к машине и от алгоритма к алгоритму, как понять конкретную проблему и понять, как она реагирует на нее. Некоторые из проблем делают сложную ситуацию для машины реагировать и реагировать. Эти проблемы не только усложняют проблему, но и влияют на процесс обучения машины. Поскольку машина зависит от того, что она воспринимает, модуль восприятия машины должен также сосредоточиться на различных типах проблем и условиях, с которыми он столкнется, поскольку разные входные данные могут давать разные выходные данные, и наиболее подходящий и оптимизированный выходные данные должны рассматриваться машина.