Qu'est-ce que l'apprentissage machine?

Question

• Qu'est-ce que l' apprentissage machine ?
• Que fait le code d' apprentissage machine?
• Lorsque nous disons que la machine apprend, modifie-t-elle le code elle - même ou modifie-t-elle l'historique (base de données) qui contiendra l'expérience du code pour un ensemble d'entrées donné?

Answer 1

Qu'est ce qu'un apprentissage de la machine ?

Il s'agit essentiellement d'une méthode d'enseignement des ordinateurs à faire et à améliorer les prédictions ou les comportements basés sur les données. Qu'est-ce que ces "données"? Eh bien, cela dépend entièrement du problème. Il pourrait être relevés à partir d'un robot de capteurs, il apprend à marcher, ou le bon de sortie d'un programme, pour certaines d'entrée.

Une autre façon de penser à propos de l'apprentissage de la machine, c'est qu'il est "reconnaissance de formes" - l'acte d'enseigner un programme de réagir ou de reconnaître des modèles.

Que fait l'apprentissage de la machine code ?

Dépend du type de machine learning vous parlez. L'apprentissage de la Machine est un vaste domaine, avec des centaines de différents algorithmes pour résoudre toutes sortes de problèmes - voir Wikipedia pour plus d'informations; en particulier, les Types d'algorithmes.

Quand nous disons que la machine apprend-t-elle modifier le code en lui-même ou qu'il modifie l'histoire (Base de Données) qui contient l'expérience de code pour un ensemble donné d'intrants ?

Encore une fois, ça dépend.

Un exemple de code en cours de modification est de la Programmation Génétique, d'où vous avez essentiellement évoluer un programme pour effectuer une tâche (bien sûr, le programme ne modifie pas lui-même - mais il n'en modifier un autre programme d'ordinateur).

Les réseaux de neurones, d'autre part, de modifier leurs paramètres automatiquement en réponse à préparé des stimuli et de la réponse attendue. Cela leur permet de produire de nombreux comportements (théoriquement, ils peuvent produire tout comportement parce qu'ils peut approximer n'importe quelle fonction pour une précision arbitraire, étant donné assez de temps).

---

Il est à noter que votre utilisation du terme "base de données" implique que les algorithmes d'apprentissage automatique "se souvenir" d'informations, d'événements ou d'expériences. Ce n'est pas nécessairement (ou même souvent!) le cas.

Les réseaux de neurones, que j'ai déjà mentionné, ne garder que l'actuel "état" de l'approximation, qui est mis à jour que l'apprentissage se produit. Plutôt que de se souvenir de ce qui s'est passé et comment réagir face à cela, les réseaux de neurones construire une sorte de "modèle" de leur "monde". Le modèle dit de la façon de réagir à certaines entrées, même si les entrées sont quelque chose qu'il n'a jamais vu avant.

Cette dernière capacité - la capacité de réagir à des entrées qui n'ont jamais été vu auparavant - est l'un des principes fondamentaux de nombreux algorithmes d'apprentissage automatique. Imaginez que vous essayez d'enseigner à un ordinateur pour naviguer les routes du trafic. À l'aide de votre "base de données" de la métaphore, vous devez enseigner à l'ordinateur exactement quoi faire des millions de situations possibles. Efficace, un algorithme d'apprentissage automatique (espérons-le!) être en mesure d'apprendre les similitudes entre les différents états et à y réagir de la même façon.

Les similitudes entre les etats peuvent être n'importe quoi - même des choses qu'on peut penser comme "banales" peut vraiment le voyage jusqu'à un ordinateur! Par exemple, disons que l'ordinateur pilote appris que quand une voiture en face d'elle ralenti, il a dû ralentir. Pour un homme, le remplacement de la voiture avec une moto ne change rien - nous reconnaissons que la moto est aussi un véhicule. Pour un algorithme d'apprentissage automatique, cet état de fait peut être étonnamment difficile! Une base de données à stocker séparément les informations sur les cas où une voiture est en avant et où une moto est en face. Un algorithme d'apprentissage automatique, de l'autre côté, "apprendre" à partir de la voiture de l'exemple et être capable de généraliser à la moto exemple automatiquement.

Answer 2

L'apprentissage de la Machine est un domaine de l'informatique, de la théorie des probabilités et la théorie de l'optimisation qui permet de tâches complexes pour être résolus pour lesquels une logique/approche procédurale ne serait pas possible ou faisable.

Il existe plusieurs catégories différentes de l'apprentissage de la machine, y compris (mais non limité à):

• Apprentissage supervisé
• L'apprentissage par renforcement

Apprentissage Supervisé
En apprentissage supervisé, vous avez vraiment de complexe de la fonction (mapping) entre entrées et sorties, vous avez beaucoup d'exemples de paires d'entrées/sorties, mais vous ne savez pas ce qui a compliqué la fonction est. Un apprentissage supervisé algorithme, il est possible, compte tenu d'un vaste ensemble de données d'entrée/sortie paires, pour prédire la valeur de sortie pour une nouvelle valeur d'entrée que vous n'avez pas vu avant. La méthode de base est que vous cassez l'ensemble de données en un ensemble d'apprentissage et un ensemble de test. Vous avez un modèle avec une fonction d'erreur qui vous essayez de réduire sur l'ensemble de la formation, et assurez-vous que votre solution fonctionne sur l'ensemble de test. Une fois que vous avez répété ce avec différents algorithmes d'apprentissage automatique et/ou les paramètres jusqu'à ce que le modèle fonctionne assez bien sur l'ensemble de test, alors vous pouvez essayer d'utiliser le résultat sur les nouvelles entrées. Notez que dans ce cas, le programme ne change pas, seul le modèle (les données) est modifié. Bien que l'on pourrait, théoriquement, la sortie d'un programme différent, mais qui n'est pas fait dans la pratique, pour autant que je suis conscient. Un exemple de l'apprentissage supervisé serait le chiffre système de reconnaissance utilisé par le bureau de poste, où il fait correspondre les pixels d'étiquettes dans le jeu 0...9, à l'aide d'un grand ensemble d'images de chiffres qui ont été marquées par la main comme étant à 0...9.

L'Apprentissage Par Renforcement
Dans l'apprentissage par renforcement, le programme est chargé de prendre les décisions, et il reçoit régulièrement une sorte de récompense/de l'utilité de ses actions. Toutefois, contrairement à l'apprentissage supervisé, les résultats ne sont pas immédiats; l'algorithme pourrait prescrire une grande séquence d'actions et seulement de recevoir une rétroaction à la fin. Dans l'apprentissage par renforcement, l'objectif est de construire un bon modèle tel que l'algorithme génère la séquence de décisions qui conduisent à la plus longue durée utilitaire/récompense. Un bon exemple de l'apprentissage par renforcement est l'enseignement d'un robot comment naviguer en donnant une mauvaise pénalité à chaque fois que sa bosse capteur détecte qu'il a heurté un objet. Si le code correctement, il est possible pour le robot, éventuellement, de les corréler son télémètre les données du capteur avec son pare-chocs capteur de données et les indications qui envoie vers les roues, et, finalement, de choisir un mode de navigation qui permet de ne pas se cogner dans les objets.

Plus D'Infos
Si vous êtes intéressés à en apprendre plus, je vous recommande fortement de lire de Reconnaissance de formes et d'Apprentissage de la Machine par Christopher M. l'Évêque ou de prendre une machine en cours d'apprentissage. Vous pouvez également être intéressé par la lecture, gratuitement, les notes de cours de la CEI 520: l'Apprentissage de la Machine à Penn.

Answer 3

L'apprentissage automatique est une méthodologie permettant de créer un modèle basé sur des exemples de données et de l'utiliser pour établir une prévision ou une stratégie. Il appartient à l'intelligence artificielle.

Answer 4

L'apprentissage de la Machine est tout simplement un terme générique pour définir une variété d'algorithmes d'apprentissage qui produisent une quasi apprentissage à partir d'exemples (sans étiquette/étiquette). La précision réelle/d'erreur est entièrement déterminée par la qualité de la formation/test de données que vous fournissez à un algorithme d'apprentissage. Ceci peut être mesuré à l'aide d'une vitesse de convergence. La raison pour laquelle vous fournir des exemples est parce que vous voulez l'algorithme d'apprentissage de votre choix pour être en mesure de informativement d'orientation en faire une généralisation. Les algorithmes peuvent être classés en deux grands domaines d'apprentissage supervisé(classification) et l'apprentissage non supervisé(clustering) des techniques. Il est extrêmement important que vous prendre une décision éclairée sur la façon dont vous prévoyez sur la séparation de formation et d'essai des ensembles de données ainsi que la qualité que vous fournissez à votre algorithme d'apprentissage. Lorsque vous fournir des ensembles de données que vous voulez aussi être conscient des choses comme sur les côté et le maintien d'un sens de la bonne santé des biais dans vos exemples. L'algorithme alors essentiellement apprend a écrit à écrit sur la base de la généralisation, il réalise à partir des données que vous avez fournies à la fois pour la formation et ensuite pour les tests dans le processus que vous essayez d'obtenir votre algorithme d'apprentissage pour produire de nouveaux exemples sur la base de votre formation ciblée. En matière de regroupement il y a très peu instructif d'orientation de l'algorithme fondamentalement essaie de produire grâce à des mesures de modèles entre les données pour construire des ensembles de clusters e.g kmeans/knearest voisin.

quelques bons livres: Introduction à la ML (Nilsson/Stanford), Processus gaussien pour ML, Introduction à la ML (Alpaydin), La Théorie de l'Information de l'Inférence et les Algorithmes d'Apprentissage (livre très utile), L'Apprentissage De La Machine (Mitchell), La Reconnaissance des formes et l'Apprentissage automatique (standard ML dans le livre de cours à Edimbourg et diverses Unis, mais relativement lourd lecture et mathématiques), L'Exploration de données et les Pratiques d'Apprentissage de la Machine avec Weka (travail par le biais de la théorie à l'aide de weka et de la pratique en Java)

L'Apprentissage par renforcement, il est un livre gratuit en ligne, vous pouvez lire: http://www.cs.ualberta.ca/~sutton/book/ebook/the-book.html

IR, IE, Prescripteurs, et le Texte/Data/Web de l'exploitation Minière en général utiliser beaucoup de Machine principes de l'Apprentissage. Vous pouvez même appliquer Metaheuristic/Global des Techniques d'Optimisation ici pour automatiser votre processus d'apprentissage. e.g appliquer une évolution technique comme GA (algorithme génétique) pour optimiser votre réseau de neurones en fonction de l'approche (qui peut recourir à l'algorithme d'apprentissage). Vous pouvez l'approche purement sous la forme d'une machine probabiliste approche de l'apprentissage par exemple bayésienne de l'apprentissage. La plupart de ces algorithmes ont tous une très forte utilisation de la statistique. Les Concepts de convergence et la généralisation sont importantes pour beaucoup de ces algorithmes d'apprentissage.

Answer 5

• L'apprentissage de la Machine est une discipline scientifique qui est concerné par la conception et le développement d'algorithmes qui permettent à des ordinateurs de faire évoluer les comportements fondés sur des données empiriques, tels que le capteur de données ou des bases de données. Lire la suite sur Wikipedia

• L'apprentissage de la Machine code des enregistrements de "faits" ou des approximations dans une sorte de stockage, et les algorithmes calcule des probabilités différentes.

• Le code lui-même ne sera pas modifié lorsqu'une machine apprend, seule la base de données de ce qu'il sait".