Wat zijn machine learning-algoritmen?

Voorbeelden van een model zijn vaak in de vorm van gegevens - maar enorme hoeveelheden informatie - en computeralgoritmen analyseren deze enorme datasets om relaties en inzichten te ontdekken (leren).

Machine deep learning-algoritmen en het gegevensmodel zijn unieke machinegegevensprogramma's omdat ze iteratief zijn. Ze gaan gestaag vooruit; het is geen eenmalig proces. Algoritmes verbeteren continu als ze blootgesteld worden aan meer gegevens.

Hierdoor kunnen machine learning-algoritmen zich aan nieuwe informatie aanpassen en hun voorspellingen verfijnen. Die magie biedt de beste machine deep learning om mettertijd accurater te worden. Machine learning-algoritmen zijn als studenten die zich verbeteren in een vak naarmate ze meer studeren en oefenen.

Een machine learning-programma maakt computers slimmer, maakt mensen in staat om problemen efficiënter op te lossen.

Typen Machine Learning-algoritmen

Gecontroleerd leren

Gecontroleerd deep learning is het gebruikelijkste type machine learning-programma. Het is alsof je een leraar hebt die het deep learning-proces begeleidt.

Machinealgoritmen worden geleverd met een set trainingsgegevens voor programma's, elk voorbeeld wordt gelabeld met de juiste uitvoer. Deze gelabelde gegevens fungeren als een "supervisor" die het algoritme de gewenste uitkomst voor een bepaalde invoer vertelt.

Het doel is om de relatie tussen de invoerfuncties van het modelalgoritme en de corresponderende labels te leren om de uitvoer voor nieuwe, onzichtbare gegevens nauwkeurig te voorspellen. Enkele gebruikelijke algoritmen voor gecontroleerd leren zijn:

● Lineaire regressie: Een lineair modelalgoritme om continue numerieke waarden te voorspellen, zoals huizenprijzen of verkoopcijfers. Er wordt uitgegaan van een lineair verband tussen de invoerfuncties en de uitvoervariabele.

● Logistieke regressie: Classificatieprogramma-algoritmen worden met waarschijnlijkheid gebruikt om categorische resultaten te voorspellen, zoals of een e-mail spam is of niet, of dat een klant zal veranderen. Het berekent de waarschijnlijkheid van een instance die tot een bepaalde categorie behoort.

● beslissingsstructuur: Deze programma-algoritmen creëren een boomvormig model van beslissingen en hun mogelijke gevolgen. Ze zijn gemakkelijk te interpreteren en kunnen worden gebruikt voor classificatie, en sommige bedrijven gebruiken ze voor regressietaken.

● Steun vectormachines (SVM): SVM's zijn krachtige algoritmen voor classificatietaken. Ze werken door de optimale hyperplane te vinden die gegevenspunten in verschillende klassen opsplitst.

Dan zijn er neurale netwerkalgoritmen, ook wel bekend als deep learning. Dit zijn complexe netwerkalgoritmen geïnspireerd door de netwerkstructuur van het menselijk brein. Een netwerk blinkt uit in taken als beeldherkenning en NLP; over het algemeen is een neuraal netwerkalgoritme het beste voor alles wat een complex patroonherkenningsprobleem is.

Ongecontroleerd leren

Het besluitvormingsmodel voor ongecontroleerd leren hanteert een andere programmabenadering dan gecontroleerd leren. Hier wordt het algoritme niet voorzien van een gelabeld gegevenspunt of expliciete instructies over waarnaar moet worden gezocht.

Zonder gecontroleerd leren gebruiken we een gegevenswaardeset zonder vooraf gedefinieerde resultaten. Het machine learning-algoritme wordt gevraagd verborgen patronen, structuren of relaties te ontdekken. Het moet dit op zichzelf doen, zonder menselijke begeleiding. Enkele populaire algoritmen voor machine learning zonder toezicht zijn:

● K-betekent clustering: Dit beslissingsalgoritme is een gangbare methode voor het groeperen van vergelijkbare gegevenspunten in clusters. Met deze methode verdelen we de gegevenswaarden in K-gescheiden clusters, en de punten horen bij het cluster met het dichtstbijzijnde gemiddelde.

● Hiërarchische clustering verschilt van K-gemiddelden algoritmen, die een vlakke set clusters produceren. Hiërarchische clustering maakt een hiërarchie van clusters die eruitziet als een structuur. Het kan handig zijn als u de relaties tussen clusters op verschillende granulatieniveaus wilt begrijpen.

● Principal Component Analysis (PCA): PCA is een "dimensionaliteitsreductietechniek" waarmee mensen gegevenspuntwaarden kunnen visualiseren als variabelen. Met PCA-algoritmen identificeren we de belangrijkste componenten en de richtingen van de grootste variantie in de gegevenswaarden. Vervolgens projecteren we de gegevens op een lagere-dimensionale ruimte met behoud van zoveel mogelijk informatie.

● Anomaliedetectie: Ontworpen om zeldzame of ongebruikelijke beslissingsgegevenspunten te identificeren die niet binnen de norm van de gegevenspuntset vallen. Dit machine learning-algoritme is vrij goed in fraudedetectie, detectie van netwerkindringing (voor cyberbeveiliging) en het identificeren van productiefouten.

Soms wordt ongecontroleerd leren gebruikt als een voorloper van gecontroleerd leren, waarbij de verkregen inzichten kunnen worden gebruikt om een gelabeld gegevenspunt te maken voor het trainen van onder toezicht staande modellen.

Boosting is een krachtige ensemble training en learning techniek in machine learning. Met boosting worden meerdere zwakke modellen gecombineerd. Boosten betekent dat deze vaak trainen om iets beter te worden dan willekeurig gokken. Het stimuleren combineert deze om een sterk voorspellend model te creëren.

Een boost betekent een sequentiële training van de modellen, met elk volgend model de nadruk op het corrigeren van de fouten gemaakt door de vorige modellen door middel van boosting.

Versterking Learning

Reinforcement learning is een uniek type machine learning dat inspiratie haalt uit de gedragspsychologie. Een agent leert door middel van vallen en opstaan, interactie met zijn omgeving en het ontvangen van feedback door middel van beloningen of straffen op basis van zijn handelingen.

Het is een beetje alsof je een dier goed gedrag aanleert. De agent leert bepaalde acties te associëren met positieve resultaten (beloningen) en andere met negatieve resultaten (sancties). Als dit proces meerdere malen wordt herhaald, ontwikkelt de agent een beleid waarmee acties worden geselecteerd die waarschijnlijk tot beloningen zullen leiden.

Je kunt zien hoe het proces analoog is aan hoe mensen en dieren leren door positieve en negatieve bekrachtiging. Twee gebruikelijke versterkende deep learning-algoritmes zijn Q-learning, dat toekomstige beloningen voor het ondernemen van een bepaalde actie in een bepaalde staat schat. Deep Q-Networks, of DQN, is een moderne uitbreiding van Q-learning die versterking van leren combineert met de kracht van diepe neurale netwerken.

De leeralgoritmen van de versterking hebben een brede waaier van toepassingen. Het traint robots om taken uit te voeren in de echte wereld, zoals navigeren, objecten manipuleren en zelfs spellen spelen. Het ontwikkelen van AI-agenten met versterkingsleer kan modellen bouwen die complexe spellen zoals schaken, Go en Dota 2 beheersen.

Beslissingsbronvariabelen optimaliseren op gebieden zoals energienetten, verkeerscontrole en cloud computing. Hoewel versterkend leren een krachtig hulpmiddel is om een model te trainen, kan het lastig zijn om het toe te passen vanwege de noodzaak van zorgvuldig ontworpen beloningsfuncties en het potentieel voor langzame convergentie.

Het juiste algoritme kiezen: Use cases en overwegingen

Het selecteren van het meest geschikte machine deep learning-algoritme is van cruciaal belang, omdat de toepassing van specifieke machine learning-modellen beperkt en zeer gericht kan zijn. Je kunt ook ontdekken dat het verkeerde model je inefficiënte resultaten geeft, terwijl het juiste waardevolle inzichten kan ontsluiten en impactvolle resultaten kan genereren.

Te stellen sleutelwaardenvragen

Gecontroleerd, ongecontroleerd of versterkt leren: Zijn uw datapuntwaarden gelabeld met doelresultaten (onder toezicht), ongelabeld (zonder toezicht) of heeft u een agent nodig om te leren door interactie met een omgeving (versterking)? Daar moet u over nadenken voordat u kiest welk type model u gebruikt.

U moet ook kiezen tussen regressie- of classificatiealgoritmen. In dit geval gaat het kiezen voor regressie over de vraag of u een continue numerieke waarde (regressie) voorspelt of dat u gegevenswaarden in afzonderlijke klassen (classificatie) categoriseert, zonder dat er sprake is van regressie.

Een andere belangrijke overweging is de grootte en aard van de dataset die u gebruikt om een model te trainen: hoeveel gegevenswaarden heeft u? Is het gestructureerd (in tabelvorm), ongestructureerd (tekst, afbeeldingen) of een combinatie? De grootte en complexiteit van uw dataset kunnen uw algoritmekeuzes beïnvloeden.

Interpretatie is ook van belang omdat sommige machine-learningmodellen tijd nodig hebben om uit te leggen. Hebt u een model nodig dat gemakkelijk aan stakeholders kan worden uitgelegd (bijvoorbeeld een beslisboom) of bent u bereid om de mogelijkheid op te offeren om uit te leggen hoe uw model werkt voor wat mogelijk een hogere nauwkeurigheid kan bieden (bijvoorbeeld diepe neurale netwerken)?

Onthoud dat dit slechts een paar voorbeelden zijn, en het beste algoritme voor een specifieke use case kan variëren afhankelijk van de aard van de gegevens, de complexiteit van het probleem en de beschikbare resources.

Andere overwegingen

Het begrijpen van uw probleem en het afstemmen op geschikte programma-algoritmen is uw eerste stap - maar er zijn een paar andere dingen om te overwegen als u een machine-learningmodel voor uw specifieke project bouwt.

De afweging van bias-variantie is een cruciaal concept, omdat bias verwijst naar de fout die is geïntroduceerd door het benaderen van een reëel probleem met een vereenvoudigd model - terwijl variantie verwijst naar de gevoeligheid van het model voor fluctuaties in de trainingsgegevens. Wanneer u een model met een hoge bias kiest, vindt u het simplistisch en slecht geschikt voor de gegevens. Een programmamodel met hoge variantie kan daarentegen te complex zijn en kan de gegevens overlappen. U moet streven naar evenwicht.

Een ander belangrijk punt is de complexiteit van het model. Eenvoudige modellen vangen mogelijk niet alle nuances in uw gegevens, maar een te complex model past mogelijk te dicht bij de ruis in de trainingsgegevens. Dit betekent dat u overfit wordt - en een slecht presterend model. Uw model moet complex genoeg zijn om de onderliggende patronen vast te leggen, maar niet zo complex dat het de trainingsgegevens onthoudt.

Feature engineering en selectie vormen de kern van de kwaliteit van uw modellen. Feature engineering houdt in dat ruwe gegevens worden getransformeerd in "functies" die informatiever zijn voor het machine learning-programma. Functieselectie bestaat uit het kiezen van de meest relevante functies die nuttig zijn voor de prestaties van uw model.