Tutorial për mësimin e makinerisë
Hyrje në mësimin e makinerisë për fillestarët
Në këtë postim në blog, unë do të flas për mësimin e makinerive dhe do të tregoj hapat drejt një projekti të mësimit të makinës.
Inteligjenca artificiale është një nga teknologjitë më emocionuese që është shfaqur vitet e fundit. Përparime të mëdha si makinat pa shofer, asistentët zanorë, përkthimi nga gjuha në gjuhë, sistemet e rekomandimeve janë bërë duke përdorur ai.
Mësimi i makinerisë është një fushë vërtet e lezetshme. Mësimi i makinerisë përdoret në shumë fusha, nga financa në biologji, nga arsimi në shëndetësi.
Pra, çfarë është mësimi i makinës? Mësimi i makinerisë është një nënfushë e AI dhe synon të zhvillojë programe që marrin vendime automatike bazuar në të dhëna.
Në këtë postim në blog, unë do të mbuloj temat si më poshtë:
- Çfarë është mësimi i makinës
- Llojet e Mësimit të Makinerisë
- Hapat drejt një projekti për mësimin e makinerisë
- Validimi i modelit
Ju lutemi, mos harroni të abonoheni në kanalin tim në youtube ku krijoj përmbajtje rreth ai, shkencës së të dhënave, mësimit të makinerive dhe mësimit të thellë. 👇
Le të vazhdojmë dhe të flasim për atë që është mësimi i makinës.
Çfarë është Mësimi i Makinerisë?
Para mësimit të makinës, metodat klasike u përdorën për të gjetur modele në një grup të dhënash. Në metodat klasike, rregullat u futën në mënyrë eksplicite në sistem më parë. Dhe sistemi pritej të bënte parashikime sipas këtyre rregullave.
Në këtë qasje, modeli nuk funksionoi në mënyrë efikase. Sepse rregullat u përcaktuan me dorë.
Për shembull, le të themi se duam të parashikojmë nëse një e-mail është një spam. Në metodat klasike, fjalët futen në sistem. Dhe nëse këto fjalë janë në e-mail, e-mail-i vlerësohet si spam. Por, është e vështirë të futësh manualisht të gjitha fjalët në emailet e padëshiruara. E drejta.
Përveç kësaj, fjalët në emailet e padëshiruara po ndryshojnë vazhdimisht dhe përmbajtja ndryshon si covid 19. Pra, është mjaft e vështirë të përditësosh vazhdimisht fjalët me dorë.
Modelet e mësimit të makinerisë u zhvilluan për të kapërcyer këtë problem. Me mësimin e makinerive, rregullat nuk i janë dhënë në mënyrë eksplicite sistemit. Sistemi i mëson rregullat nga të dhënat.
Me pak fjalë, mësimi i makinës gjen automatikisht modele të fshehura në të dhëna. Tani le të hedhim një vështrim në llojet e mësimit të makinerive.
Llojet e Mësimit të Makinerisë
Ekzistojnë tre lloje të mësimit të makinerive. Këtu janë mësimi i mbikëqyrur, mësimi i pambikëqyrur dhe mësimi përforcues. Le të hedhim një vështrim në këto lloje.
Mësimi i mbikëqyrur
Nëse grupi juaj i të dhënave ka etiketa, mund të përdorni mësimin e mbikëqyrur. Mësimi i mbikqyrur ju lejon të ndërtoni një model duke hartuar atributet me variablin e synuar.
Për shembull, siç mund ta shihni në foton e mëposhtme, në mësimin e mbikëqyrur, ne trajnojmë modelin duke përdorur atributet X dhe variablin objektiv y dhe mund të merrni një model të mësimit të makinës.
Le të hedhim një vështrim në llojet e mësimit të mbikëqyrur.
Në përgjithësi, mësimi i mbikëqyrur ndahet në regresion dhe klasifikim.
- nëse ndryshorja e synuar është numerike, siç janë çmimet e banesave, mund të përdorni modelet e regresionit.
- nëse ndryshorja e synuar është kategorike, si për shembull femër apo mashkull, mund të përdorni modelet e klasifikimit.
Ka shumë modele që mund të përdorni për problemet e regresionit dhe klasifikimit.
Për shembull, ju mund të përdorni regresionin linear për problemet e regresionit dhe regresionin logjistik për problemet e klasifikimit. Ju mund të punoni me algoritme të bazuara në pemë, si p.sh. pylli i rastësishëm për problemet e klasifikimit dhe regresionit. Ju gjithashtu mund të përdorni rrjetet nervore për të dy problemet.
Mësimi i pambikëqyrur
Mësimi i pambikëqyrur përdoret për të dhëna pa etiketa. Me këtë metodë, gjenden modele të fshehura në të dhëna pa etiketa. Algoritmi më i njohur për mësimin e pambikëqyrur është algoritmi i grupimit.
Të mësuarit përforcues
Në këtë teknikë, synohet të zhvillohet një sistem mësimor që përmirëson procesin e vendimmarrjes duke komunikuar me mjedisin.
Zgjidhet dhe zbatohet një veprim, në këmbim të të cilit merret një shpërblim ose dënim. Kështu, strategjia më e mirë e quajtur politikë mësohet me shpërblime dhe ndëshkime.
Shembulli më popullor për të mësuarit përforcues është shahu. Sistemi vendos pozicionin më të mirë të gurëve. Në fund të lojës, strategjia shpërblehet si fituese ose humbëse. Shumë robotë përdorin këtë algoritëm për të mësuar se si të ecin.
Mirë, më pëlqen të mësuarit me makinë. Është një zonë emocionuese. Tani do të flas se si të bëj një projekt të mësimit të makinës.
Hapat drejt një projekti për mësimin e makinerisë
Vini re se trajnimi i një modeli të mësimit të makinës është vetëm një hap në rrjedhën e punës të mësimit të makinës. Ka shumë hapa të mësimit të makinerive, të tilla si kuptimi i problemeve, parapërpunimi i të dhënave, vendosja e modelit, etj. Për më tepër, këto hapa janë përsëritëse. Kështu që përsëritet pa pushim.
Shumicën e kohës, performanca e modelit që po trajnoni nuk do të jetë e mirë. Në raste të tilla, ju duhet të ritrajnoni modelin.
Rrjedha e punës së mësimit të makinerive ka 6 hapa. Le t'i hedhim një vështrim më të afërt këtyre.
Para së gjithash, ju filloni duke përcaktuar se cili është problemi juaj. Pra, ju e kuptoni nëse problemi mund të zgjidhet me teknikat e mësimit të makinerive.
Mësimi i makinerisë kërkon të dhëna, apo jo? Në fund të fundit, ju do të ndërtoni një model bazuar në të dhënat. Vini re se, nëse keni të dhëna të mira, atëherë ndërtoni një model të mirë. Nuk mjafton të gjesh të dhënat, është gjithashtu e rëndësishme që të dhënat të jenë të mjaftueshme. Nëse keni më pak të dhëna, atëherë duhet të grumbulloni më shumë të dhëna.
Le të themi se i keni përgatitur të dhënat. Pas kësaj, ju duhet të konvertoni të dhënat në formë tabelare, domethënë rresht dhe kolonë. Nëse keni të dhëna jo tabelare si imazhet, atëherë mund të përdorni teknikat e të mësuarit të thellë, e cila është një nënfushë e mësimit të makinerive.
Supozoni se keni gjetur të dhënat e mira dhe i keni përgatitur. Pas kësaj, kaloni në fazën e ndërtimit të modelit tuaj. Ju e trajnoni modelin tuaj sipas të dhënave tuaja.
Le të themi se keni një model të trajnuar. Pra, si e dimë nëse ky model është i mirë apo i keq? Shpejt nuk thua se modeli është perfekt. Duhet ta vlerësoni. Për të vlerësuar modelin, ekzistojnë metrika të ndryshme si saktësia, ose rezultati f1.
Le të themi se keni zhvilluar një model të përsosur. A është bërë, sigurisht, jo? Pas ndërtimit të modelit, ju duhet ta vendosni atë.
Hapi i fundit për projektet e mësimit të makinerive është vendosja e modelit. Kështu, modeli juaj bën parashikime të shkëlqyera kur futet ndonjë e dhënë.
Hapat që përmenda janë standarde. Çdo rrjedhë pune e mësimit të makinerive ka këto hapa. Tani, le të shkojmë përpara dhe të shpjegojmë vërtetimin e modelit.
Validimi i modelit
Le të themi se mund të zgjedhim një model të tillë si rrjetet logjistike ose nervore bazuar në të dhënat tona të të dhënave. Siç e dini, ka shumë modele të mësimit të makinerive. Unë do të rekomandoja fillimisht përdorimin e modeleve të thjeshta si regresioni linear. Nëse modelet e thjeshta nuk funksionojnë mirë, mund të përdorni një model kompleks si rrjetet nervore ose algoritme të bazuara në pemë.
Pra, si ta përcaktojmë nëse modeli ynë është i mirë apo jo? Të dhënat e verifikimit përdoren për të zbuluar nëse një model është i mirë. Ju mund të merrni të dhënat e vërtetimit duke ndarë disa nga të dhënat e trajnimit.
Modeli trajnohet me të dhënat e trajnimit dhe performanca e tij vlerësohet me të dhënat e vlefshmërisë.
A e gjetët modelin më të mirë? Për ta kuptuar këtë, mund të përdorni të dhënat e provës. Mos harroni, të dhënat e testit nuk përdoren fare gjatë trajnimit të modelit. Të dhënat e testit janë si të dhëna të reja për modelin që keni trajnuar. Me këto të dhëna testimi, ju mund të matni performancën e modelit tonë.
Mendime mbyllëse
Deri më tani, unë fola për atë që është mësimi i makinerive dhe tregova hapat drejt një projekti të mësimit të makinës. Së fundi, unë trajtova se si të bëj vërtetimin e modelit. Mësimi i makinerisë është një fushë e shkëlqyer. Ka aplikime pothuajse në çdo fushë.
Kjo eshte. Faleminderit që lexuat. Shpresoj ta shijosh. Ju mund të jeni të interesuar në artikujt e mëposhtëm.
Mos harroni të na ndiqni në YouTube 🎞, GitHub 🌱, Twitter😎, Kaggle 📚, LinkedIn 👍
Shihemi në postimin e radhës në blog…
