Qu'est-ce que l'apprentissage automatique?
L'apprentissage automatique est un petit domaine d'application de l'intelligence artificielle dans lequel les machines apprennent automatiquement des opérations et s'affinent pour donner de meilleurs résultats. Sur la base des données collectées, les machines ont tendance à travailler sur l'amélioration des programmes informatiques en alignant avec la sortie requise. En raison de cette capacité d'une machine à apprendre par elle-même, la programmation explicite de ces ordinateurs n'est pas requise. Il s'est déjà infiltré dans nos vies partout sans que nous le sachions. Pratiquement toutes les machines que nous utilisons et les machines à technologie de pointe que nous avons vues au cours de la dernière décennie ont intégré l'apprentissage automatique pour améliorer la qualité des produits. Quelques exemples d'apprentissage automatique sont les voitures autonomes, les recherches Web avancées, la reconnaissance vocale.
Le principal objectif des humains est de développer l'algorithme d'apprentissage des machines d'une manière qui aide les machines à apprendre automatiquement sans aucune intervention humaine. L'apprentissage dépend alors des données qui sont introduites, où les machines observent et reconnaissent certains modèles et tendances. Avec chaque nouveau point de données, la compréhension de la machine s'améliore et la sortie est plus alignée et fiable. Les données peuvent être des valeurs numériques, des expériences directes, des images, etc., ce qui contribue également à la façon dont nous abordons tout problème que nous voulions résoudre à l'aide de l'apprentissage automatique. En outre, il existe différents types d'approches d'apprentissage automatique en fonction du type de sortie dont vous avez besoin.
Différence entre la programmation conventionnelle et l'apprentissage automatique
Programmation conventionnelle = la logique est programmée + les données sont entrées + la logique s'exécute sur les données + la sortie
Apprentissage automatique = Les données sont entrées + La sortie attendue est entrée + Exécutez-la sur la machine pour entraîner l'algorithme de l'entrée à la sortie, bref, laissez-le créer sa propre logique pour atteindre de l'entrée à la sortie + Algorithme formé utilisé sur les données de test pour la prédiction
Méthodes d'apprentissage automatique
Nous avons quatre principaux types de méthodes d'apprentissage automatique basées sur le type d'apprentissage que nous attendons des algorithmes:
1. Apprentissage automatique supervisé
Des algorithmes d'apprentissage supervisé sont utilisés lorsque la sortie est classée ou étiquetée. Ces algorithmes apprennent des données passées qui sont entrées, appelées données d'entraînement, exécutent leur analyse et utilisent cette analyse pour prédire les événements futurs de toute nouvelle donnée dans les classifications connues. La prédiction précise des données de test nécessite des données volumineuses pour avoir une compréhension suffisante des modèles. L'algorithme peut être entraîné davantage en comparant les résultats d'apprentissage aux résultats réels et en utilisant les erreurs pour la modification des algorithmes.
Exemple réel:
- Classification d'image - L'algorithme est tiré de l'alimentation avec des données d'image étiquetées. Un algorithme est formé et il est prévu que dans le cas de la nouvelle image, l'algorithme la classe correctement.
- Prédiction du marché - Il est également appelé régression. Les données historiques du marché des entreprises sont transmises à l'ordinateur. Avec l'algorithme d'analyse et de régression, un nouveau prix pour l'avenir est prévu en fonction des variables.
Passons aux prochains principaux types de méthodes d'apprentissage automatique.
2. Apprentissage automatique non supervisé
Des algorithmes d'apprentissage non supervisés sont utilisés lorsque nous ignorons les résultats finaux et que la classification ou les résultats étiquetés ne sont pas à notre disposition. Ces algorithmes étudient et génèrent une fonction pour décrire des modèles complètement cachés et non étiquetés. Par conséquent, il n'y a pas de sortie correcte, mais il étudie les données pour donner des structures inconnues dans les données non étiquetées.
Exemple réel:
- Clustering - Les données avec des traits similaires sont invitées à se regrouper par l'algorithme, ce regroupement est appelé clusters. Celles-ci s'avèrent utiles dans l'étude de ces groupes qui peuvent s'appliquer à l'ensemble des données d'un cluster plus ou moins.
- Données de haute dimension - Les données de haute dimension ne sont normalement pas faciles à utiliser. Grâce à un apprentissage non supervisé, la visualisation de données de grande dimension devient possible
- Modèles génératifs - Une fois que votre algorithme analyse et fournit la distribution de probabilité de l'entrée, il peut être utilisé pour générer de nouvelles données. Cela s'avère très utile en cas de données manquantes.
3. Apprentissage automatique par renforcement
Ce type d'algorithme d'apprentissage automatique utilise la méthode d'essai et d'erreur pour produire des résultats en fonction de l'efficacité la plus élevée de la fonction. La sortie est comparée pour trouver les erreurs et les retours qui sont renvoyés au système pour améliorer ou maximiser ses performances. Le modèle est fourni avec des récompenses qui sont essentiellement des commentaires et des punitions dans ses opérations tout en réalisant un objectif particulier.
4. Apprentissage automatique semi-supervisé
Ces algorithmes effectuent normalement des données étiquetées et non étiquetées, où la quantité de données non étiquetées est importante par rapport aux données étiquetées. Comme il fonctionne avec les deux et entre les algorithmes d'apprentissage supervisé et non supervisé, il est donc appelé apprentissage automatique semi-supervisé. Les systèmes utilisant ces modèles semblent améliorer la précision d'apprentissage.
Exemple - Une archive d'images ne peut contenir que certaines de ses données étiquetées, par exemple. Le chien, le chat, la souris et une grande partie des images ne sont pas étiquetés.
Modèles basés sur le type de sorties des algorithmes
Voici les types de modèles d'apprentissage automatique basés sur le type de résultats que nous attendons des algorithmes:
1. Classification
Il y a une division des classes des entrées, le système produit un modèle à partir des données d'apprentissage dans lequel il attribue de nouvelles entrées à l'une de ces classes
Il tombe sous le parapluie de l'apprentissage supervisé. Un exemple concret peut être le filtrage du spam, où les e-mails sont l'entrée qui est classée comme «spam» ou «non spam».
2. Régression
L'algorithme de régression fait également partie de l'apprentissage supervisé, mais la différence est que les sorties sont des variables continues et non discrètes.
Exemple - Prédire les prix des logements à l'aide de données antérieures
3. Réduction de la dimensionnalité
Ce type de Machine Learning est lié aux analyses des entrées et à leur réduction aux seules pertinentes à utiliser pour le développement de modèles. La sélection d'entités, c'est-à-dire la sélection d'entrée et l'extraction d'entités, sont d'autres sujets à considérer pour une meilleure compréhension de la réduction de la dimensionnalité.
Sur la base des différentes approches ci-dessus, il existe différents algorithmes à considérer. Certains algorithmes très courants sont la régression linéaire et logistique, les voisins K les plus proches, les arbres de décision, les machines à vecteurs de support, la forêt aléatoire, etc. Avec l'aide de ces algorithmes, les problèmes de décision complexes peuvent avoir un sens de l'orientation basé sur une énorme quantité de données . Afin d'atteindre cette précision et ces opportunités, des ressources supplémentaires, ainsi que du temps, doivent être fournis. L'apprentissage automatique utilisé avec l'intelligence artificielle et d'autres technologies est plus efficace pour traiter l'information.
Articles recommandés
Cela a été un guide pour les types d'apprentissage automatique. Ici, nous avons discuté du concept, de la méthode différente et du type différent de modèle pour les algorithmes. Vous pouvez également consulter nos autres articles suggérés pour en savoir plus -
- Techniques d'apprentissage automatique
- Qu'est-ce que le Deep Learning
- Qu'est-ce que l'apprentissage automatique?
- Introduction à l'apprentissage automatique
- Apprentissage automatique hyperparamètre