介绍机器学习

在这里,在这篇文章中,我们将通过机器学习的基本介绍,将进一步帮助我们理解它的重要性更广泛的理由。

在数字时代,我们接触到的早期人工智能在日常生活。由谷歌牵头,公司正在使用机器学习来预测用户行为,提供前所未有的效用。企业家可以利用这个新兴的技术来构建更好的企业,但太有多远?

学习,比如智力,涵盖了如此广泛的过程,很难精确定义。字典定义包括短语,如“获得知识或理解,或技能,研究,教学,和经验,”和“修改行为倾向的经验。“动物学家和心理学家的研究在动物和人类学习。

在本文中,我们重点学习机器。机器学习(ML)是自行其是,人们日益认识到毫升可以发挥关键作用在大范围的关键应用,如数据挖掘、自然语言处理、图像识别、专家系统。

毫升提供可能的解决方案在这些领域,将成为我们未来的支柱文明。非常广泛,机器学习只要它改变它的结构,程序或数据(基于其在应对外部信息)输入或以这样一种方式,其预期的未来业绩的提高。在这里,我们会一步一步了解机器学习从介绍机器学习。

机器学习是什么?

机器学习通常是指相关系统,执行任务的变化人工智能(AI)。这样的任务包括识别、诊断、规划、机器人控制、预测等“变化”可能已经执行系统的增强或从头开始合成的新系统。稍微更具体,我们展示了一个典型的人工智能的体系结构在下面图“代理”。

这个代理感知及其环境和模型计算适当的行动,也许通过预测他们的影响。更改的任何组件显示在图可能算是学习。可能采用不同的学习机制取决于哪个子系统被改变了。

大多数读者都熟悉网页排名的概念。提交查询的过程,一个搜索引擎,然后找到相关网页查询并返回他们的相关性。

看到如图下面的例子“机器学习”的查询结果。即搜索引擎返回一个web页面的排序列表查询。为了实现这一目标,搜索引擎需要“知道”这是相关的,哪些页面匹配查询。

这些知识可以获得从几个来源:网页的链接结构,他们的内容,用户将按照建议链接的频率在一个查询,或者从查询的例子结合手动网页排名。越来越多的机器学习而不是猜测和聪明的工程使用自动化的过程,设计一个好的搜索引擎。

介绍机器学习:我们什么时候需要它?

当我们需要机器学习而不是直接程序电脑完成手头的任务吗?两个方面的一个给定的问题可能需要使用的程序,学习和提高的基础上他们的“体验”:问题的复杂性和自适应性的必要性。

• 任务太复杂的程序

  • 任务由人类/动物:有许多我们人类执行例行任务,然而我们自省关于我们如何做的不够精致的提取是一个良好定义的项目。这样的任务的例子包括驾驶,语音识别和图像理解。在所有这些任务中,最先进的机器学习程序,程序,“从他们的经验中学习,取得令人满意的结果,一旦接触到足够多的培训的例子。
  • 任务超出了人类的能力:另一个大的家庭的任务,受益于机器学习技术与分析非常庞大而复杂的数据集:天文数据,将医疗档案转化为医学知识,天气预报,基因组数据的分析,网络搜索引擎、电子商务。随着越来越多的数字记录数据可用,它变得明显,有宝藏埋在有意义的信息数据档案太大,太复杂,人类的意义。学习发现有意义的模式在大型和复杂的数据集是一个有前途的领域的组合程序与几乎无限的学习记忆能力和不断增加的处理速度的计算机开辟了新的视野。

• 自适应性:

  • 编程工具限制的特性之一是其刚度程序已经写下来并安装后,它会保持不变。然而,许多任务随时间变化或从一个用户到另一个。机器学习工具,程序的行为适应他们的输入数据,提供解决这些问题;自然,适应环境的变化,他们与互动。典型的成功应用机器学习等问题包括程序解码手写的文本,在一个固定的程序可以适应不同用户的笔迹之间变化;垃圾邮件检测程序,自动适应垃圾邮件的性质的变化;和语音识别程序。

类型的机器学习

介绍机器学习指导我们三种类型的机器学习算法。

• 监督式学习

  • 大多数实用机器学习使用监督式学习。在监督学习中,系统会尝试学习从前面的例子。(另一方面,在无监督学习,系统试图找到模式直接从给定的例子。)说数学,监督学习是有两个输入变量(x)和输出变量(Y),可以使用一个算法来获得从输入到输出的映射函数。映射函数表示为Y = f (X)。监督学习问题可以进一步分为两部分,即分类和回归。
    • 分类:一个分类问题是当输出变量是一个类或一组,如“黑人”和“白人”或“垃圾邮件”和“谢绝垃圾”。
    • 回归:一个回归的问题是当输出变量是一个真正的价值,如“卢比”或“高度”。
  • 例子:根据以往的关于垃圾邮件的信息,过滤掉新传入的电子邮件收件箱(正常)或垃圾文件夹(垃圾邮件)

• 无监督学习

  • 在无监督学习算法是留给自己去发现有趣的结构数据。数学上,无监督学习是当你只有输入数据(X)和相应的输出变量。这被称为无监督学习,因为与监督学习上面,没有给出正确的答案,机器本身找到答案。无监督学习问题可以进一步分为协会和聚类问题。
    • 协会:一个关联规则学习问题是你想发现规则描述的大部分数据,如“人买X也倾向于购买Y”。
    • 聚类:一个集群的问题是你想发现固有的数据分组,如分组客户通过购买行为。
  • 例子:你的6人,但有很多照片没有哪一个信息是谁,想这个数据集划分为6桩,每一个人的照片。

• 强化学习

  • 计算机程序将与一个动态的环境中,必须执行一个特定的目标(如玩游戏与对手或开车)。程序提供反馈的奖励和惩罚为它导航问题空间。使用这个算法,机器训练作出具体决定。它的工作原理是这样的:机器暴露于一个环境中,它不断训练自己使用试验和错误的方法。
  • 信息提供的算法是否答案是正确的,但不知道如何改进它。强化学习者尝试不同的策略,看看哪个效果最好。该算法搜索可能的输入和输出的状态空间为了最大化一个奖励。
  • 例如:在制造业机器人采用深度强化学习来选择一个设备从一个盒子,并把它在一个容器中。不管是成功还是失败,记下对象,获得知识和训练自己做这份工作以极大的速度和精度。

我们需要什么级别的数学?

最重要的问题当试图理解一个机器学习等领域所需的数学和数学的复杂性需要了解这些系统。这个问题的答案是多维的,取决于个人的水平和兴趣。

这是机器所需的最低水平的数学学习工程师/数据科学家。

• 线性代数:对称矩阵,矩阵运算,预测,Factorisation Orthogonalisation
• 概率论和统计概率规则和公理,贝叶斯定理、随机变量方差和期望,条件概率和联合分布,标准的分布。
• 计算:微积分,偏导数
• 算法和复杂的优化:二叉树、哈希、堆、栈