Определение проблемы – это первый шаг, который нужно взять при создании модели обучения машины (ML). Это краткое описание проблемы, которая будет решена. Важно определить и знать проблему, которую вы пытаетесь решить, поскольку это сокращает количество времени, используемое для решения проблемы. Он также дает намек на решение проблемы и инструменты для использования. Есть 4 Майор Типы машинного обучения в зависимости от типа проблемы. Эти:
1. Контролируемое обучение.
Контролируемое обучение – это тип машинного обучения, который имеет ярлыки в данных. Этот тип обучения всегда организован и проще читает и просмотр. Основные типы контролируемого обучения:
Классификация: Это метод контролируемого обучения, который определяет класс, в котором принадлежат элементы данных и лучше всего используются, когда для вывода доступны конечные и дискретные значения. Он также прогнозирует класс для входной переменной. Примером является предсказание рака у пациента.
Регрессия: Это тип контролируемого обучения, который предсказывает непрерывный результат переменной (Y) на основе значения одного или нескольких переменных предиктора (X). Например, прогноз цен на дому в государстве.
2. Неповторимое обучение.
Это противоположное руководящему обучению. Этот вид обучения не организован, ни маркирован I.e. Он использует неструктурированные данные. Примеры такого типа используемых данных являются изображения, аудиофайлы и видео. Популярный тип неповторимого обучения – кластеризация.
Кластеризация – это просто список данных, основанных на их сходстве и различий. От имени, это означает группирование данных в кластерах, чтобы получить лучшее значение. Одним из примеров этого является кластеризация пользователей для рекомендаций фильмов.
3. Передача обучения.
Обучение передаче – это передача знаний из одной модели ML в другой. Это тип обучения, который сосредоточен на сохранении информации, приобретенной при решении одной проблемы и применяя его к отдельному, но связанному вопросу. Пример использует те же знания, используемые для распознавания автомобилей для распознавания грузовых автомобилей.
4. Уреживание подкрепления.
Обучение подкрепления является подготовка моделей машинного обучения, чтобы сделать серию решений. Конечная цель – максимизировать общую награду системы. Этот тип обучения использует испытание и ошибку, чтобы придумать решения. Система предлагает наказания на действие, которое она выполняет, чтобы получить то, что нужно от него.
В зависимости от того, что должно быть достигнуто, различное обучение обычно используется для различных целей. Лучше всего понимать проблему, прежде чем выбрать какую модель нанимать.
Оригинал: “https://dev.to/ifihan/problem-definition-1-6-207p”