机器学习和深度学习

什么是机器学习?

机器学习是人工智能(AI)的分支，它提供了学习功能，可以自动学习并从经验中学习。它由亚瑟·塞缪尔(Arthur Samuel)于1959年首次提出。

主要目的是允许计算机在无需人工干预或帮助的情况下自动学习，并相应地调整操作。许多问题在历史上对人类来说是非常容易的，而对于网络来说则是非常困难的，机器学习(尤其是深度学习)是目前针对其中许多问题的最佳解决方案。

例如，医学诊断，图像处理，预测，分类，回归等。

机器的演变

机器学习的特点

• 机器学习使用数据来检测任何数据集中的各种模式。
• 它是一种数据驱动的技术。
• 它可以从过去的数据中学习并自动进行改进。
• 机器学习类似于数据挖掘，因为它处理大量数据。

机器学习的需要

机器学习的需求正在迅速增长。作为人类，我们有很多局限性，因为我们无法手动访问大量数据，因此，我们需要一些计算机系统。机器学习使我们的工作变得轻松。

它的用例可以轻松理解机器学习。目前，机器学习已用于自动驾驶汽车，网络欺诈检测，面部识别以及Facebook上的朋友建议。

一些顶级公司(例如Amazon和Netflix )已经建立了机器学习模型，这些模型正在使用大量数据来分析用户兴趣并正确推荐产品。它还用于查找隐藏模式并从数据中提取有用的信息。

机器学习的类型

• 监督学习- “训练我！”
• 无监督学习- “我的学习能力很强！”
• 强化学习- “我的生活，我的规则(命中与审判)！”

监督学习：

监督学习是机器学习的一种，我们可以考虑由老师来指导学习。

我们拥有的数据集将充当老师，并用于训练模型和机器。一旦训练了模型，便会在给出新数据时开始做出预测或决策。

它可以分为两种类型：

• 分类
• 回归

分类

这是一种旨在重现课堂作业的技术。它产生响应值，并将数据分为“类” 。

示例：在照片中识别汽车的类型。

回归

回归是一种旨在产生输出值的技术。我们可以使用它。

示例：用于预测其他产品的价格。

无监督学习：

当列车信息既未分类也未标记时，将使用无监督机器学习算法。如果为模型提供了数据集，它将通过在模型中创建聚类来自动在数据集中查找模式和关系。

假设我们向模型显示了苹果，香蕉和芒果的图像，它基于一些模式和关系创建了聚类并将数据集分为多个聚类。现在，如果将新数据传递到模型，则将其添加到生成的组之一中。

它还有两种类型：

• 聚类
• 协会

聚类：

聚类用于发现特定事物的相似性和差异性。它将相似的事物分组。该算法可以帮助我们解决许多障碍。

示例：根据它们的内容创建类似推文的簇，找到一组具有类似汽车的照片，或识别不同类型的新闻。

协会：

关联规则挖掘是聚类后无监督数据挖掘方法的另一关键，它可以在大量数据项中找到有趣的关联(关系，依赖项)。

半监督学习：

它介于有监督的学习和无监督的学习之间。因此，他们将标记和未标记的数据都用于训练，其中使用少量标记数据和大量未标记数据。

通常，当获取的标记数据需要熟练且重要的资源来训练它时，便选择半监督学习。

强化学习：

强化学习是代理与环境互动并找出最佳结果的能力。

它追逐命中和审判方法的概念。代理商会得到正确答案或错误答案的奖励或谴责，并根据获得的积极奖励积分获得模型训练本身。并且再次训练它可以预测提供给它的新数据。

代理商的目标是获得最大的奖励积分并改善其绩效。

强化学习的组成部分

• 决策/代理学习
• 环境-代理与之互动
• 行动-代理做什么?

深度学习

深度学习还是人工智能机器学习的一个子集。学习可以是有监督的，半监督的或无监督的。

深度学习是一种机器学习方法，可以使计算机做好准备，以实现人类自然需要的东西。深度学习是无人驾驶汽车背后的一项关键技术，使他们能够识别停车标志。

深度学习的工作

在深度学习中，最近有一个很好的理由引起了人们的广泛关注。计算机模型学习直接从深度学习中的任何图像，文本和声音中执行分类任务。

术语“深层”通常是指神经网络中隐藏层的数量。常规的神经网络仅包含2-3个隐藏层，而深层网络可以包含150个隐藏层。