Виды машинного обучения
Сегодня простыми словами расскажем о видах машинного обучения.
Если ты пока плохо понимаешь, что из себя представляет машинное обучение, можешь прочесть здесь:
http://vk.com/wall-172352984_245
Выделяют 3 вида машинного обучения:
1. С учителем (Supervised machine learning).
2. Без учителя (Unsupervised machine learning).
3. Машинное обучение с подкреплением (Reinforcement learning)
- Машинное обучение с учителем.
Это самый распространённый и простой для реализации вид. Алгоритм анализирует данные с метками, в которых уже содержатся правильные ответы. Вместо поисков ответа на вопрос, программа занимается поиском связей, которые потом позволят ей самостоятельно справляться с задачей.
Примеры применения: система фильтрации спама, распознание лиц, поиск подозрительных транзакций, построение прогнозов.
- Машинное обучение без учителя
В этом виде у алгоритма в процессе обучения есть данные без меток и нет подготовленных ответов. Его задачей является самостоятельное выявление закономерностей. Технология группирует данные в кластеры и упорядочивает их. Этот вид позволяет эффективно работать с Big Data, потому что чем больше данных загружается, тем точнее результаты. Но иногда после такого обучения может быть сложно вычислить точность алгоритма.
Примеры применения: системы рекомендаций (лента YouTube, Instagram и т.п), таргетированная реклама, сегментация и структурирование данных
- Машинное обучение с подкреплением
Этот смешанный вид обучения, который объединяет в себе предыдущие два. Его используют при решении сложных задач, которые требуют взаимодействия с окружающей средой. Этот вид — метод проб и ошибок. Алгоритм учится на прошлом опыте и совершенствует свой подход. При принятии решения, он изучает прошлую обратную связь и возможные тактики, а затем делает выбор, способный привести к наибольшему выигрышу.
Примеры применения: управление роботизированной техникой, навигация, логические игры.
Стоит также упомянуть глубокое обучение — это отдельная ветвь развития машинного обучения, о которой можно узнать в этом посте:
http://vk.com/wall-172352984_641
А научиться применять алгоритмы машинного обучения и обучать нейронные сети можно на нашем курсе «Анализ данных на Python». Переходи по ссылке и оставляй заявку на нашем сайте!
/courses/data_scientist/
Желаем успехов!
#анализданных #профессиибудущего #digital #онлайнкурс #онлайншкола #интернетпрофессии #онлайнобучение #аналитик #машинноеобучение #нейросети #нейросеть
Если ты пока плохо понимаешь, что из себя представляет машинное обучение, можешь прочесть здесь:
http://vk.com/wall-172352984_245
Выделяют 3 вида машинного обучения:
1. С учителем (Supervised machine learning).
2. Без учителя (Unsupervised machine learning).
3. Машинное обучение с подкреплением (Reinforcement learning)
- Машинное обучение с учителем.
Это самый распространённый и простой для реализации вид. Алгоритм анализирует данные с метками, в которых уже содержатся правильные ответы. Вместо поисков ответа на вопрос, программа занимается поиском связей, которые потом позволят ей самостоятельно справляться с задачей.
Примеры применения: система фильтрации спама, распознание лиц, поиск подозрительных транзакций, построение прогнозов.
- Машинное обучение без учителя
В этом виде у алгоритма в процессе обучения есть данные без меток и нет подготовленных ответов. Его задачей является самостоятельное выявление закономерностей. Технология группирует данные в кластеры и упорядочивает их. Этот вид позволяет эффективно работать с Big Data, потому что чем больше данных загружается, тем точнее результаты. Но иногда после такого обучения может быть сложно вычислить точность алгоритма.
Примеры применения: системы рекомендаций (лента YouTube, Instagram и т.п), таргетированная реклама, сегментация и структурирование данных
- Машинное обучение с подкреплением
Этот смешанный вид обучения, который объединяет в себе предыдущие два. Его используют при решении сложных задач, которые требуют взаимодействия с окружающей средой. Этот вид — метод проб и ошибок. Алгоритм учится на прошлом опыте и совершенствует свой подход. При принятии решения, он изучает прошлую обратную связь и возможные тактики, а затем делает выбор, способный привести к наибольшему выигрышу.
Примеры применения: управление роботизированной техникой, навигация, логические игры.
Стоит также упомянуть глубокое обучение — это отдельная ветвь развития машинного обучения, о которой можно узнать в этом посте:
http://vk.com/wall-172352984_641
А научиться применять алгоритмы машинного обучения и обучать нейронные сети можно на нашем курсе «Анализ данных на Python». Переходи по ссылке и оставляй заявку на нашем сайте!
/courses/data_scientist/
Желаем успехов!
#анализданных #профессиибудущего #digital #онлайнкурс #онлайншкола #интернетпрофессии #онлайнобучение #аналитик #машинноеобучение #нейросети #нейросеть