不同类型的机器学习示例

不同类型的机器学习示例。首先，机器学习也被称为自学习机或学习系统。它是人工智能的一个领域，致力于通过经验或接触数据自动改进的算法。另外，机器学习分为有监督和无监督两个基本领域。每个都有特定的目的和活动，这将在本文中介绍。

在此博客中，我们介绍了机器学习的主要概念。此外，我还讨论了机器学习的工作原理，以及它们的主要类型。我邀请您通过示例阅读有关不同类型机器学习的文章的其余部分。

什么是机器学习？

诚然，机器学习是人工智能的一个小应用，可以让机器自动学习和改进任务，从而提高工作效率。根据收集到的数据，机器会改进计算机程序以将其定制为所需的结果。因为这些机器是自学的，所以这些计算机不需要显式编程。

然而，这个概念已经在我们不知不觉中广泛地进入了我们的生活。我们使用的几乎每台机器，以及我们在过去十年中见过的最先进的机器，都结合了机器学习来提高产品质量。机器学习的一些示例包括自动驾驶汽车、高级网络搜索和语音识别。

机器学习如何工作？

下一个问题是机器学习究竟是如何工作的？好吧，监督学习能够在已知的输入和输出上训练模型，是一个有趣的应用。此外，它是以这种方式制作的，因此它可以预测未来的结果。而另一部分称为无监督学习。简单地说，它的工作是在输入数据中寻找隐藏的模式或内部结构。请看下面的示例，了解它是如何工作的：

好吧，上面的模型展示了ML如何让您使用不同类型的算法和方法。这些算法是使用各种编程语言创建的。通常，将训练数据集提供给算法以构建模型。现在，给 ML 算法一个输入，它返回一个基于模型的估计/预测值。现在，如果预测正确，则接受并实施算法。但是，如果预测不准确，我们会使用训练数据集重新训练算法以获得准确的预测/估计。

机器学习的类型

值得注意的是，我们使用两种类型的学习方法。一种是监督学习，它根据已知的输入和输出训练模型，从而预测未来的结果，另一种是无监督学习。这种学习方法在输入中寻找隐藏的模式或内部结构。

监督学习

另一种方法是监督学习。这种类型具有将历史输入和输出传递给学习算法的有趣能力，并且每个输入/输出对之间的处理允许算法操纵产生尽可能接近期望结果的输出的模型。那么，监督学习中常用的算法包括神经网络、决策树、线性回归和支持向量机。

其次，这种机器学习之所以得名，是因为机器在训练过程中受到“控制”。反过来，这意味着提供算法信息来帮助学习。我们提供给机器的输出被标记为数据，我们提供的其余信息用作输入特征。

例如，如果您试图找出贷款违约与借款人信息之间的关系，您可以为机器提供 500 个拖欠贷款的客户实例和另外 500 个没有拖欠贷款的客户实例。然后，标记的数据“监视”您的计算机以获取您正在寻找的信息。简而言之，这是一项令人惊叹且令人兴奋的技术进步。

用例

用例的一些示例包括：

• 对银行交易是否存在欺诈进行分类。
• 确定贷款申请人是低风险还是高风险。
• 预测工业设备机械部件的故障。
• 寻找疾病危险因素。
• 预测房地产价格。

无监督学习

另一方面，我们有监督学习。在这种情况下，它需要用户协助机器学习，而无监督学习不使用相同的标记训练集和数据。相反，机器会在数据中寻找不太明显的模式。为此，当您需要发现模式并使用数据做出决策时，此类型非常有用。无监督学习中常用的算法包括隐藏标记模型、k-means、层次聚类和混合高斯模型。

此外，通过这种类型的学习，它被广泛用于构建预测模型。常见的应用程序还包括集群，它创建模型，根据某些属性对对象进行分组，以及关联，它定义集群之间存在的规则。以下是一些使用示例：

用例

• 识别客户数据关联（例如，购买了某种款式的包的顾客可能对某种款式的鞋子感兴趣）。
• 根据销售和/或制造指标对库存进行分组。
• 根据购买行为创建客户群。

强化学习

第三种 ML 是强化学习。在这里，通过这种类型的机器学习，它与人类的学习方式最为相似。简而言之，算法或代理通过与环境交互并接收正面或负面的奖励来使用这种类型的学习。在这里，常见的算法包括时间延迟、深度对抗网络和 Q 学习。

有趣的是，据推测，大多数机器学习平台缺乏强化学习能力，因为它们需要比大多数组织更多的处理能力。因此，强化学习是一个被理想地建模并应用于静态域或包含大量相关数据的域的域。值得注意的是，这种类型的机器学习比监督学习需要更少的管理，因此未标记的数据集被认为更容易使用。同时，这种机器学习的实际应用仍在不断涌现。

用例

一些使用示例包括：

• 训练机器人使用原始视频图像作为输入来学习策略，并用于复制机器人看到的动作。
• 动态控制交通信号灯以减少交通拥堵。
• 教汽车自动停车和自动驾驶。

机器学习的例子

统计套利

从本质上讲，统计套利是一种在金融领域用于管理大量证券的自动交易策略。该策略使用交易算法通过经济变量和相关性来分析一组证券。

统计套利的现实世界示例：

• 识别实时套利机会。
• 分析市场微观结构的算法交易。
• 分析大型数据集。

萃取

随后，ML 的另一个例子是提取。换句话说，机器学习从非结构化数据中提取结构化信息。组织从他们的客户那里收集大量数据。特别是，机器学习 算法 会自动执行为预测分析工具注释数据集的过程。

提取的真实例子：

• 帮助医生快速诊断和治疗问题。
• 开发预防、诊断和治疗疾病的方法。
• 生成一个模型来预测声带疾病。

预测分析

同样，机器学习将可用数据分组。然后，组由分析师设置的规则定义。分类完成后，分析师计算失败的概率。

预测分析的例子：

• 改进预测系统以计算故障的可能性。
• 预测交易是欺诈性的还是合法的。

语音识别

将语音转换为文本。一些软件应用程序可以将现场和录制的语音转换为文本文件。语音也可以通过时间频带的强度来分段。

语音识别的现实世界示例：

• 语音搜索。
• 语音拨号。
• 电器控制。

Google Home 和 Amazon Alexa 等设备是最常见的语音识别应用程序。

医学诊断

ML的另一个例子，有助于疾病的诊断。许多医生使用语音识别、聊天机器人来识别症状模式。

医疗诊断示例：

• 肿瘤学和病理学使用机器学习来识别癌组织。
• 协助制定诊断或推荐治疗方案。
• 分析体液。

总而言之，对于罕见病，面部识别软件与机器学习相结合，可以扫描患者照片并识别与罕见遗传病相关的表型。感谢您阅读不同类型的机器学习示例。我们现在将结束这篇文章。

结论

到目前为止，我们已经讨论了三种不同类型的机器学习，但需要注意的是，有时它们之间的差异并不那么明显，或者它们看起来几乎相同。例如，考虑一个推荐系统。我们知道这是一项无监督学习任务。它也很容易改写为监督任务。本质上，您只需要标记您的数据。总而言之，所有三种类型的机器学习都旨在教授计算机算法，使它们能够更有效地执行任务。