Heim  >  Artikel  >  Technologie-Peripheriegeräte  >  Grundlagen der künstlichen Intelligenz: Einführung in gängige Algorithmen im maschinellen Lernen

Grundlagen der künstlichen Intelligenz: Einführung in gängige Algorithmen im maschinellen Lernen

WBOY
WBOYnach vorne
2023-04-09 12:31:032075Durchsuche

Heute werde ich mit Ihnen über Algorithmen für maschinelles Lernen sprechen, werfen wir einen Blick darauf!

Maschinelle Lernalgorithmen umfassen hauptsächlich überwachtes Lernen, unüberwachtes Lernen, halbüberwachtes Lernen, Transferlernen und verstärkendes Lernen.

1. Überwachtes Lernen

Grundlagen der künstlichen Intelligenz: Einführung in gängige Algorithmen im maschinellen Lernen

Überwachtes Lernen ist eine sehr häufige Art des maschinellen Lernens, bei der ein Modell trainiert wird, wenn die Eingabe und Ausgabe bekannt sind, und die Eingabe der Ausgabe zugeordnet wird.

Features: Lernziele (wie Istwerte, Anmerkungen etc.) werden vorgegeben.

Überwachtes Lernen kann in Klassifizierung und Regression unterteilt werden, je nachdem, ob das Zielergebnis diskret oder kontinuierlich ist.

Grundlagen der künstlichen Intelligenz: Einführung in gängige Algorithmen im maschinellen Lernen

1.1 Klassifizierung

Diese Art von Vorhersagezielwert ist diskret. Wenn Sie beispielsweise vorhersagen, ob es regnen wird, gibt es nur zwei Endergebnisse: Regen oder kein Regen.

Zweck: Vorhersage der Klassifizierungsergebnisse neuer Proben auf der Grundlage historischer Ergebnisse. Die Aufgabe, zwei oder mehr Klassifizierungsergebnisse zu erstellen, wird als Mehrfachklassifizierungsaufgabe bezeichnet.

Gemeinsame Algorithmen: Entscheidungsbaum, Random Forest, K-Nearest-Neighbor-Algorithmus, logistische Regression, Support-Vektor-Maschine, künstliches neuronales Netzwerk.

1.2 Regression

Der Prognosezielwert dieses Typs ist kontinuierlich. Ein typisches Beispiel ist die Vorhersage der Preisentwicklung einer bestimmten Immobilie.

Algorithmen: Lineare Regression, AdaBoosting usw.

2. Unüberwachtes Lernen

Das Merkmal des unüberwachten Lernens besteht darin, dass nicht über Datenanmerkungen nachgedacht werden muss, sondern kontinuierliches Selbstlernen und Konsolidieren auf der Grundlage des Modells und schließlich Lernen durch Selbstzusammenfassung. Das Lernmodell umfasst hauptsächlich Clustering und Dimensionsreduktion.

2.1 Clustering

bezieht sich hauptsächlich auf den Prozess der Bildung einer Sammlung physischer oder abstrakter Objekte in mehreren Kategorien aus ähnlichen Objekten, was als Gruppierung nach ähnlichen Prinzipien verstanden werden kann.

Algorithmus: Zu den gebräuchlichsten gehören der K-Means-Algorithmus, der BIRCH-Algorithmus und der DBSCAN-Algorithmus.

2.2 Dimensionsreduktion

Hochdimensionale Daten hängen stark von Systemressourcen und der Algorithmusleistung ab. Bei der Dimensionsreduktion geht es darum, unwichtige Informationen in hochdimensionalen Daten zu verarbeiten und gleichzeitig die meisten wichtigen Informationen beizubehalten. Vereinfacht gesagt ist es ein Prozess von komplex zu einfach. Wenn man komplexe Probleme so einfach wie möglich macht, wird es viel einfacher sein, sie zu lösen.

Vorteile: Sparen Sie Platz, sparen Sie Zeit, die von Algorithmen verbraucht wird, und reduzieren Sie den Verbrauch von Systemressourcen.

Algorithmus: Hauptkomponentenanalyse-Algorithmus (PCA)

3. Halbüberwachtes Lernen

Grundlagen der künstlichen Intelligenz: Einführung in gängige Algorithmen im maschinellen Lernen

Eine Lernmethode, die überwachtes Lernen und unüberwachtes Lernen kombiniert. Beim halbüberwachten Lernen werden große Mengen unbeschrifteter und beschrifteter Daten zur Mustererkennung verwendet.

Halbüberwachtes Lernen eignet sich für eine kleine Anzahl markierter Proben und eine große Anzahl unbeschrifteter Proben und kann Vorhersagen mit höherer Genauigkeit erzielen.

4. Transferlernen

Grundlagen der künstlichen Intelligenz: Einführung in gängige Algorithmen im maschinellen Lernen

Transferlernen bezeichnet eine Lernmethode, bei der ein vorab trainiertes Modell in einer anderen Lernaufgabe wiederverwendet wird.

Quellbereich: vorhandenes Wissen; Zielbereich: neues zu erlernendes Wissen.

5. Reinforcement Learning (RL)

RL wird auch Reinforcement Learning, Evaluation Learning und Reinforcement Learning genannt und ist eines der Paradigmen und Methoden des maschinellen Lernens.

Die Aufgabe des verstärkenden Lernens besteht darin, intelligente Geräte in die Lage zu versetzen, kontinuierlich wie Menschen zu lernen und auszuprobieren und dann in verschiedenen Umgebungen die idealste Lösung zu finden, den Prozess der kontinuierlichen Entscheidungsfindung zu stärken und durch kontinuierliches Ausprobieren herauszufinden, welche die richtige ist bester Weg.

Fall: AlphaGo nutzte den Reinforcement-Learning-Algorithmus, um den Weltmeister Lee Sedol zu besiegen, den Google YouTube-Videoempfehlungsalgorithmus usw.

Das obige ist der detaillierte Inhalt vonGrundlagen der künstlichen Intelligenz: Einführung in gängige Algorithmen im maschinellen Lernen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Stellungnahme:
Dieser Artikel ist reproduziert unter:51cto.com. Bei Verstößen wenden Sie sich bitte an admin@php.cn löschen