Heutzutage ist Chat Gpt ein heißes Thema in der Computerwelt. Alle reden über die Vor- und Nachteile des Chat Gpt. Ob es mehr Vor- als Nachteile hat, ist ein anderes Thema, aber es hat einen Hype um einen Zweig der Informatik namens „Künstliche Intelligenz“ ausgelöst. Auch Nicht-Techniker interessieren sich für diesen Bereich. Künstliche Intelligenz ist keine neue Dimension der Technologie. Dieser Begriff wurde vor etwa 70 Jahren geprägt. Künstliche Intelligenz ist ein weitreichender Technologiesektor und wir können uns maschinelles Lernen als eine Teilmenge davon vorstellen.
Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz, der sich auf das Coaching von Daten und die Entwicklung eines Algorithmus zur Vorhersage von Testdaten konzentriert. Der Algorithmus lernt aus Trainingsbeispielen und versucht langsam, seine Genauigkeit zu verbessern. Es ist etwas Ähnliches, wie ein Mensch lernt. Es wird häufig in verschiedenen Bereichen wie Medizin, E-Mail-Filterung, Spracherkennung, Landwirtschaft usw. verwendet, wo wir auf der Grundlage herkömmlicher Algorithmen keine Vorhersagen treffen können, da die Daten möglicherweise so vielfältig sind, dass sie nicht in die vorhandenen Algorithmen eingepasst werden können.
Es gibt drei Arten maschinellen Lernens.
(1) Überwachtes Lernen
(2) Unüberwachtes Lernen
(3) Verstärkungslernen
Beim überwachten Lernen werden hauptsächlich gekennzeichnete Daten verwendet. Hier haben wir einige Trainingsdaten, die wir in den Algorithmus einpassen und dann versuchen, Vorhersagen für Testdaten zu treffen. Die Vorhersagedaten können kontinuierlich oder diskret sein, abhängig von der Artwork der Daten.
Nehmen wir zum Beispiel an, Sie sind ein professioneller Spieler und wetten auf Cricket-Spiele. Bevor Sie eine Wette abschließen, analysieren Sie dann einige Merkmale wie den Zustand des Spielfelds, das Wetter, verletzte Spieler usw. Nach all diesen Analysen platzieren Sie eine Wette auf eine Mannschaft. Hier ist die Vorhersage binär, entweder wird das von Ihnen ausgewählte Group gewinnen oder verlieren, aber Sie haben einige beschriftete Funktionen, die darauf basieren, was Sie vorhersagen möchten. Betrachten wir ein weiteres klassisches Beispiel für überwachtes Lernen, bei dem ein Makler ein Haus verkaufen muss und beschließt, eine Liste einiger Merkmale zu erstellen, von denen der Preis eines Hauses abhängt, z. B. Nein. Anzahl der Schlafzimmer, des Wohnbereichs usw. Basierend auf diesen Merkmalen wird der Preis für ein Haus festgelegt. Hier haben wir in beiden Beispielen beschriftete Daten und müssen auf der Grundlage dieser beschrifteten Daten eine Vorhersage treffen.
Einige Algorithmen, die beim überwachten Lernen verwendet werden, sind lineare Regression, logistische Regression, Assist Vector Machine, Choice Tree Classifier, Random Forest Classifier, XGBoost usw.
Unüberwachtes Lernen befasst sich mit unbeschrifteten Daten. Hier haben wir einige unbeschriftete Daten, in denen wir einige Merkmale finden müssen, die unser Interesse beeinflussen. Hier lernt unser Modell Muster und Beziehungen aus unbeschrifteten Daten. Im Gegensatz zum überwachten Lernen gibt es keine Zielwerte, anhand derer unser Modell trainiert. Es sei denn, unser Modell untersucht die Daten und versucht, einige versteckte Merkmale und Muster zu finden.
Es wird von vielen kommerziellen Unternehmen verwendet, die ihren Kundenstamm verstehen möchten, um ihre Marketingstrategien anzupassen. Sie verfügen über einen sehr großen Datensatz mit Informationen über ihre Kunden wie Alter, Geschlecht, Surfverhalten, Kaufhistorie usw. Sie verfügen jedoch über keine vordefinierten Labels, anhand derer sie ihre Kunden klassifizieren können, damit sie sich auf die Steigerung ihrer Verkäufe konzentrieren können. In diesem Szenario kann unüberwachtes Lernen dabei helfen, den Kundenstamm anhand seiner gemeinsamen Merkmale oder Merkmale zu segmentieren. Dann können sie Marketingkampagnen durchführen, die auf die Vorlieben und Bedürfnisse des Zielsegments ausgerichtet sind. Ein Phase besteht beispielsweise aus technikaffinen Kunden, die sich für die neuesten Devices interessieren, während ein anderes Phase möglicherweise an traditionellen Produkten interessiert ist. Dies ist nur ein Beispiel für unbeaufsichtigtes Lernen, das auf verschiedene Bereiche wie Finanzen, Gesundheitswesen, Betrugserkennung, Bildanalyse usw. angewendet werden kann.
Einige Algorithmen, die beim unbeaufsichtigten Lernen verwendet werden, sind Ok-Means-Clustering, hierarchisches Clustering, DBSCAN (Density-Primarily based Spatial Clustering of Purposes with Noise), Hauptkomponentenanalyse (PCA), t-SNE (t-Distributed Stochastic Neighbor Embedding) und Gauß Mischungsmodelle (GMM), Anomalieerkennungsalgorithmen usw.
Beim Reinforcement-Studying geht es darum, den Agenten darin zu schulen, sequenzielle Entscheidungen in einer Umgebung zu treffen, um eine kumulative Belohnung zu maximieren. Es basiert auf der Artwork und Weise, wie Menschen durch Interaktion mit der Umwelt lernen. Der Agent lernt durch einen Versuch-und-Irrtum-Prozess, indem er verschiedene Aktionen erkundet und deren Ergebnisse beobachtet, um seine Entscheidungsfähigkeit zu verbessern.
Agent: Eine Entität, die in einer Umgebung lernen und Entscheidungen oder Aktionen treffen kann. Im Allgemeinen handelt es sich bei einem Agenten um Algorithmen, Roboter oder jedes System, das lernen und Entscheidungen oder Aktionen treffen kann.
Umgebung: Es handelt sich um eine Außenwelt oder Simulation, in der der Agent agiert. Es kann eine physische Welt, eine virtuelle Welt oder eine Softwaresimulation sein.
Belohnung: Dabei handelt es sich um ein numerisches Sign, das dem Agenten für die vom Agenten durchgeführte Aktion bereitgestellt wird. Sie kann je nach Erwünschtheit der Handlungen positiv, negativ oder null sein.
Reinforcement Studying nutzt verschiedene Algorithmen, um zu lernen und die kumulative Belohnung zu verbessern. Einige Algorithmen sind Q-Studying, SARSA, Deep Q-Networks, Proximal Coverage Optimization, Actor-Critic-Methoden usw.
Reinforcement Studying findet Anwendung in verschiedenen Bereichen wie Robotern, autonomem Fahren, Finanzhandel, Energiemanagement usw.
Hier endet der Weblog. Im nächsten Weblog werden wir uns eingehend mit überwachten Lernalgorithmen befassen. Wir werden uns den linearen Regressionsalgorithmus ansehen.
