Машинное обучение. Автоматизация подбора модели машинного обучения

ВВЕДЕНИЕ 3
ОСНОВНАЯ ЧАСТЬ 4
АВТОМАТИЗАЦИЯ ПОДБОРА ПАРАМЕТРОВ МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ 6
ОБУЧЕНИЕ МОДЕЛИ 7
ВАЛИДАЦИЯ НА ОТЛОЖЕННЫХ ДАННЫХ 7
ПОЛНАЯ КРОСС-ВАЛИДАЦИЯ 7
K-FOLD КРОСС-ВАЛИДАЦИЯ 8
REPEATED K-FOLD КРОСС-ВАЛИДАЦИЯ 8
ЗАКЛЮЧЕНИЕ 10
СПИСОК ЛИТЕРАТУРЫ 11

Весь текст будет доступен после покупки

Одним из главных подразделов науки о данных и искусственного интеллекта является машинное обучение, которое изучает методы построения алгоритмов, позволяющие компьютеру делать выводы на основании данных. С помощью машинного обучения искусственный интеллект запоминает данные и анализирует информацию. Существует два типа машинного обучения: дедуктивное и индуктивное. Также можно выделить основные способы индуктивного обучения, а именно: обучение с подкреплением, контролируемое обучение (с учителем), неконтролируемое обучение или обучение без учителя.
Машинное обучение — это как практическая, так и математическая дисциплина. Для подтверждения практической работоспособности метода, ни одно исследование в машинном обучении не обходится без эксперимента на модельных или реальных данных.

Весь текст будет доступен после покупки

ОСНОВНАЯ ЧАСТЬ

Существует два типа машинного обучения:
1. Индуктивное (по прецедентам). Оно основано на обнаружении закономерностей, наблюдаемых во входных данных.
2. Дедуктивное машинное обучение, включающее в себя официальное оформление и преобразование знаний экспертов в цифровую форму как базы знаний.
Второй тип обычно относят к экспертным системам, поэтому на практике «машинное обучение» можно считать синонимом к индуктивному обучению. Прецеденты – это коллекция входных объектов и результатов, относящихся к ним. Задача состоит в том, чтобы создать такой алгоритм, который будет выдавать достаточно точные результаты при любых входных данных. Решение строится при помощи анализа уже имеющегося опыта. При этом важна способность обучаемой системы к генерализации – она должна нормально реагировать на данные, не входящие в обучающую выборку.
Само индуктивное обучение делят на три основных вида: обучение с подкреплением, контролируемое обучение (с учителем), неконтролируемое обучение или обучение без учителя.
Кроме того, разрабатываются и иные методы обучения, например: активное, многозадачное, трансферное и др. Наиболее сильно в последнее время стало развиваться «глубокое обучение», сочетающее в себе алгоритмы как обучения с учителем, так и без учителя.
Машинное обучение с учителем использует данные, относящиеся к данным метки. Например, мы можем отметить, что на некотором изображении груша, а на некотором яблоко. В данном случае человек служит учителем для машины, изначально расставляя маркеры. На основе данных и маркеров описываются признаки, по которым машина может отличить изображения с грушами и с яблоками. Таким образом, создается алгоритм, выдающий результат, исходя из описания данных. После выбора алгоритма его можно использовать для присвоения меток другим, неизвестным до этого данным. К контролируемому обучению относятся задачи классификации и задачи регрессии [1-4].
Машинное обучение без учителя означает итеративный процесс анализа данных без каких-либо маркеров и поиска взаимосвязей между ними без участия человека. К данным моделям относятся задачи кластеризации, поиска ассоциативных правил, понижения размерности. Алгоритмы кластеризации служат для выделения отдельных групп данных. Для поиска более сжатых представлений данных предназначены алгоритмы понижения размерности. Примеры алгоритмов, на основе неконтролируемого обучения мы можем увидеть при выдаче результатов поиска в поисковых системах или в социальных сетях при подборе рекомендаций.
Существуют также неклассические, но достаточно популярные методы машинного обучения, такие, как обучение с подкреплением и глубокое обучение.

Весь текст будет доступен после покупки

[1] bigdataschool.ru. [Электронный ресурс]. – URL: https://www.bigdataschool.ru/wiki/machine-learning.
[2] Плас Дж. Вандер. Python для сложных задач: наука о данных и машинное обучение. / Дж. Вандер Плас. – СПб.: Питер, 2018. 576 с.
[3] Бринк Х. Машинное обучение. / Х. Бринк, Дж. Ричардс, М. Феверолф. – СПб.: Питер,2017. 336 с.
[4] it.ua [Электронный ресурс]. – URL: https://www.it.ua/ru/knowledge- base/technology-innovation/machinelearning. (дата обращения: 29.04.2021).
[5] Lighthill J. Artificial Intelligence: A General Survey // Artificial Intelligence: a paper symposium, Science Research Council. 1973. Рp. 1–14.
[6] Peter, Prevos Principles of Strategic Data Sciene / Prevos Peter. – great britain
: Packt Publishing, 2019. – 104 с.

Весь текст будет доступен после покупки