Apakah aplikasi pembelajaran mesin?

Dua senario aplikasi utama pembelajaran mesin - regresi dan klasifikasi

Regresi dan klasifikasi ialah dua jenis masalah pembelajaran mesin yang paling biasa, seperti yang ditunjukkan dalam rajah di bawah.

Masalah regresi biasanya digunakan untuk meramalkan nilai yang nilai labelnya berterusan. Contohnya, ramalkan sebarang aliran dan nilai berterusan seperti harga rumah dan cuaca masa hadapan. Algoritma regresi yang lebih biasa ialah algoritma regresi linear dan rangkaian saraf dalam pembelajaran mendalam.

Masalah pengelasan adalah untuk melabelkan sesuatu dengan label kategori, dan hasilnya ialah nilai diskret, yang merupakan pilihan dalam kategori Contohnya, menentukan sama ada haiwan pada gambar adalah kucing atau anjing . Pengelasan termasuk klasifikasi binari dan klasifikasi multivariate, dan hanya terdapat satu hasil akhir yang betul untuk setiap kelas. Pengelasan ialah bidang aplikasi klasik pembelajaran mesin Banyak algoritma pembelajaran mesin boleh digunakan untuk pengelasan, termasuk algoritma regresi logistik yang paling asas, algoritma pepohon keputusan klasik dan rangkaian saraf dalam pembelajaran mendalam. Terdapat juga masalah klasifikasi berbilang label yang diperoleh daripada klasifikasi berbilang kategori Aplikasi biasa termasuk pelabelan automatik nama apabila memuat naik foto di tapak rangkaian sosial dan sistem pengesyoran - mengesyorkan berbilang produk kepada pengguna yang sama pada tapak web atau apl, atau Mengesyorkan. produk tertentu kepada berbilang pengguna.

Senario aplikasi pembelajaran mesin yang lain

Sudah tentu, sebagai tambahan kepada masalah regresi dan masalah klasifikasi, terdapat banyak senario aplikasi pembelajaran mesin. Sebagai contoh, masalah pengelompokan yang paling biasa dalam pembelajaran tanpa penyeliaan adalah untuk membahagikan data kepada kelompok yang berbeza mengikut sifat ciri mereka tanpa label (sebenarnya, ia adalah pengelasan data satu lagi jenis pembelajaran tanpa pengawasan ialah Peraturan perkaitan yang mempengaruhi perhubungan antara ciri boleh didapati.

Contoh lain ialah siri masa, yang merujuk kepada set data yang struktur dalamannya sentiasa berubah mengikut masa, seperti data aliran, data yang berubah mengikut musim, dsb. Masalah siri masa sebenarnya adalah masalah regresi yang berkait rapat dengan masa dan tempoh. Senario aplikasi khusus termasuk meramalkan turun naik pasaran kewangan, membuat kesimpulan aktiviti suria, air pasang, cuaca dan juga kelahiran bintang dan pembentukan galaksi, meramalkan penyebaran penyakit wabak, dsb.

Terdapat juga output berstruktur. Biasanya pembelajaran mesin mengeluarkan jawapan atau pilihan, tetapi kadangkala perlu untuk mengeluarkan struktur melalui pembelajaran. Apakah maksudnya? Sebagai contoh, dalam pengecaman pertuturan, mesin mengeluarkan ayat Ayat tersebut mempunyai struktur standard, bukan hanya nombor 0 hingga 9 (mengenali 0 hingga 9 adalah masalah klasifikasi. Senario aplikasi khusus termasuk pengecaman pertuturan - mengeluarkan ayat dengan struktur tatabahasa yang betul dan terjemahan mesin - mengeluarkan artikel yang mematuhi peraturan.

Terdapat juga beberapa masalah pembelajaran mesin yang matlamatnya bukan untuk menyelesaikan masalah, tetapi untuk menjadikan dunia lebih berwarna Oleh itu, AI juga boleh melaksanakan kerja yang dilakukan oleh artis, seperti berikut. Dreamwork Google boleh menggabungkan gaya dua gambar untuk penghijrahan gaya artistik. Rangkaian musuh generatif GAN boleh mencipta gambar yang palsu dan nyata. Melombong ruang terpendam vektor ciri digital untuk mencipta muzik, berita, cerita, dsb.

Kami boleh memanggil aplikasi pembelajaran generatif pembelajaran mesin ini.

Ada kalanya juga matlamat pembelajaran mesin adalah untuk membuat keputusan, yang dipanggil masalah membuat keputusan. Masalah membuat keputusan pada dasarnya masih merupakan masalah klasifikasi, kerana setiap keputusan sebenarnya mengklasifikasikan keadaan persekitaran tertentu menggunakan tingkah laku yang paling sesuai. Contohnya, arah (kiri, tengah, kanan) dalam pemanduan autonomi dan titik pendaratan di Go masih merupakan salah satu daripada kategori 19×19. Senario aplikasi khusus termasuk pemanduan autonomi, ejen pintar bermain permainan, robot bermain catur, dsb. Dalam banyak masalah membuat keputusan, mesin mesti mempelajari keputusan mana yang berkesan dan boleh membawa ganjaran, keputusan mana yang tidak berkesan dan akan membawa pulangan negatif, dan mana yang bermanfaat untuk matlamat jangka panjang. Oleh itu, pembelajaran pengukuhan adalah teknik biasa dalam kes ini.

Secara amnya, helah pembelajaran mesin ialah memahami masalah anda sendiri dan memilih kaedah pembelajaran mesin (algoritma) terbaik untuk masalah anda, iaitu untuk mencari teknologi mana yang paling sesuai untuk masalah ini. . Jika anda boleh menyambungkan senario atau tugasan dengan teknologi yang sesuai, anda boleh mempunyai idea apabila anda menghadapi masalah dan mencari penyelesaian dengan cepat. Rajah di bawah menghubungkan beberapa senario aplikasi pembelajaran mesin biasa dan model pembelajaran mesin

Atas ialah kandungan terperinci Apakah aplikasi pembelajaran mesin?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!