Welche Anwendungen gibt es für maschinelles Lernen?

Zwei Hauptanwendungsszenarien des maschinellen Lernens – Regression und Klassifizierung

Regression und Klassifizierung sind die beiden häufigsten Arten von Problemen beim maschinellen Lernen, wie in der folgenden Abbildung dargestellt.

Regressionsprobleme werden normalerweise verwendet, um einen Wert vorherzusagen, dessen Beschriftungswert kontinuierlich ist. Prognostizieren Sie beispielsweise kontinuierliche Trends und Werte wie Immobilienpreise und zukünftiges Wetter. Die gebräuchlichsten Regressionsalgorithmen sind lineare Regressionsalgorithmen und neuronale Netze im Deep Learning.

Das Klassifizierungsproblem besteht darin, Dinge mit einer Kategoriebezeichnung zu kennzeichnen, und das Ergebnis ist ein diskreter Wert, der eine Option in der Kategorie darstellt. Beispielsweise kann festgestellt werden, ob das Tier auf einem Bild eine Katze ist oder ein Hund. Die Klassifizierung umfasst die binäre Klassifizierung und die multivariate Klassifizierung, und für jede Klasse gibt es nur ein endgültiges korrektes Ergebnis. Die Klassifizierung ist ein klassisches Anwendungsgebiet des maschinellen Lernens. Zur Klassifizierung können viele Algorithmen des maschinellen Lernens verwendet werden, darunter der grundlegendste logistische Regressionsalgorithmus, der klassische Entscheidungsbaumalgorithmus und neuronale Netze im Deep Learning. Es gibt auch Klassifizierungsprobleme mit mehreren Etiketten, die sich aus der Klassifizierung mehrerer Kategorien ergeben. Zu den typischen Anwendungen gehören die automatische Kennzeichnung von Namen beim Hochladen von Fotos auf Websites sozialer Netzwerke und Empfehlungssysteme – das Empfehlen mehrerer Produkte für denselben Benutzer auf einer Website oder App oder „Empfehlen“. ein bestimmtes Produkt an mehrere Benutzer weitergeben.

Andere Anwendungsszenarien des maschinellen Lernens

Natürlich gibt es neben Regressionsproblemen und Klassifizierungsproblemen viele Anwendungsszenarien des maschinellen Lernens. Das häufigste Clustering-Problem beim unbeaufsichtigten Lernen besteht beispielsweise darin, Daten entsprechend der Art ihrer Merkmale ohne Beschriftung in verschiedene Cluster zu unterteilen (tatsächlich handelt es sich um eine Datenklassifizierung, bei der es sich um Assoziationsregeln handelt, die die Beziehungen beeinflussen). zwischen Merkmalen gefunden werden können.

Ein weiteres Beispiel sind Zeitreihen, die sich auf einen Datensatz beziehen, dessen interne Struktur sich im Laufe der Zeit regelmäßig ändert, wie z. B. Trenddaten, Daten, die sich mit den Jahreszeiten ändern usw. Das Zeitreihenproblem ist eigentlich ein Regressionsproblem, das eng mit Zeit und Zeitraum zusammenhängt. Spezifische Anwendungsszenarien umfassen die Vorhersage von Finanzmarktschwankungen, die Ableitung von Sonnenaktivität, Gezeiten, Wetter und sogar der Entstehung von Sternen und Galaxienbildung, die Vorhersage der Ausbreitung epidemischer Krankheiten usw.

Es gibt auch eine strukturierte Ausgabe. Normalerweise gibt maschinelles Lernen eine Antwort oder Option aus, aber manchmal ist es notwendig, durch Lernen eine Struktur auszugeben. Was bedeutet es? Bei der Spracherkennung gibt die Maschine beispielsweise einen Satz aus, der eine Standardstruktur hat, nicht nur die Zahlen 0 bis 9 (das Erkennen von 0 bis 9 ist ein Klassifizierungsproblem). Spezifische Anwendungsszenarien umfassen die Spracherkennung – die Ausgabe von Sätzen mit korrekter grammatikalischer Struktur – und die maschinelle Übersetzung – die Ausgabe von Artikeln, die den Vorschriften entsprechen.

Es gibt auch einige Probleme des maschinellen Lernens, deren Ziel nicht darin besteht, Probleme zu lösen, sondern die Welt bunter zu machen. Daher kann KI auch die von Künstlern geleistete Arbeit leisten, wie zum Beispiel die folgenden. Googles Dreamwork kann die Stile zweier Bilder für eine künstlerische Stilmigration kombinieren. Das generative gegnerische Netzwerk GAN kann Bilder erstellen, die gefälscht und echt aussehen. Nutzung des latenten Raums digitaler Merkmalsvektoren zur Erstellung von Musik, Nachrichten, Geschichten usw.

Wir können diese maschinelle Lernanwendung als generatives Lernen bezeichnen.

Manchmal besteht das Ziel des maschinellen Lernens darin, Entscheidungen zu treffen, die als Entscheidungsprobleme bezeichnet werden. Entscheidungsprobleme sind im Wesentlichen immer noch Klassifizierungsprobleme, da jede Entscheidung tatsächlich das am besten geeignete Verhalten verwendet, um einen bestimmten Zustand der Umgebung zu klassifizieren. Beispielsweise gehören die Richtung (links, Mitte, rechts) beim autonomen Fahren und der Landepunkt bei Go immer noch zu den 19×19-Kategorien. Spezifische Anwendungsszenarien umfassen autonomes Fahren, intelligente Agenten beim Spielen, Roboter beim Schachspielen usw. Bei vielen Entscheidungsproblemen müssen Maschinen lernen, welche Entscheidungen effektiv sind und Erträge bringen können, welche unwirksam sind und negative Erträge bringen und welche für langfristige Ziele von Vorteil sind. Daher ist Reinforcement Learning in diesem Fall eine gängige Technik.

Im Allgemeinen besteht der Trick des maschinellen Lernens darin, Ihr eigenes Problem zu verstehen und die beste Methode (Algorithmus) für maschinelles Lernen für Ihr Problem auszuwählen, dh herauszufinden, welche Technologie am wahrscheinlichsten für diese Situation geeignet ist . Wenn Sie Szenarien oder Aufgaben mit geeigneten Technologien verknüpfen können, können Sie bei einem Problem eine Idee haben und schnell eine Lösung finden. Die folgende Abbildung verbindet einige gängige Anwendungsszenarien für maschinelles Lernen und Modelle für maschinelles Lernen

Das obige ist der detaillierte Inhalt vonWelche Anwendungen gibt es für maschinelles Lernen?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!