Apprentissage automatique Python Deep Basic
L'intelligence artificielle (IA) est tout code, algorithme ou technique qui permet à un ordinateur d'imiter le comportement cognitif ou l'intelligence humaine. L'apprentissage automatique (ML) est un sous-ensemble de l'IA qui utilise des méthodes statistiques pour permettre aux machines d'apprendre et de s'améliorer avec l'expérience. Le Deep Learning est un sous-ensemble du Machine Learning, qui rend possible le calcul de réseaux de neurones multicouches. L'apprentissage automatique est considéré comme un apprentissage superficiel tandis que l'apprentissage profond est considéré comme un apprentissage hiérarchique avec abstraction.
L'apprentissage automatique traite d'un large éventail de concepts. Les concepts sont listés ci-dessous -
- supervised
- unsupervised
- apprentissage par renforcement
- régression linéaire
- fonctions de coût
- overfitting
- under-fitting
- hyper-paramètre, etc.
Dans l'apprentissage supervisé, nous apprenons à prédire des valeurs à partir de données étiquetées. Une technique ML qui aide ici est la classification, où les valeurs cibles sont des valeurs discrètes; par exemple, les chats et les chiens. Une autre technique d'apprentissage automatique qui pourrait être utile est la régression. La régression fonctionne sur les valeurs cibles. Les valeurs cibles sont des valeurs continues; par exemple, les données boursières peuvent être analysées à l'aide de la régression.
Dans l'apprentissage non supervisé, nous faisons des inférences à partir des données d'entrée qui ne sont ni étiquetées ni structurées. Si nous avons un million de dossiers médicaux et que nous devons en comprendre le sens, trouver la structure sous-jacente, les valeurs aberrantes ou détecter des anomalies, nous utilisons la technique du clustering pour diviser les données en grands groupes.
Les ensembles de données sont divisés en ensembles de formation, ensembles de tests, ensembles de validation, etc.
Une percée en 2012 a mis en évidence le concept du Deep Learning. Un algorithme a classé 1 million d'images en 1000 catégories avec succès en utilisant 2 GPU et les dernières technologies comme le Big Data.
Relier le Deep Learning et le Machine Learning traditionnel
L'un des principaux défis rencontrés dans les modèles d'apprentissage automatique traditionnels est un processus appelé extraction de fonctionnalités. Le programmeur doit être précis et indiquer à l'ordinateur les fonctionnalités à rechercher. Ces fonctionnalités vous aideront à prendre des décisions.
La saisie de données brutes dans l'algorithme fonctionne rarement, l'extraction de fonctionnalités est donc un élément essentiel du flux de travail traditionnel d'apprentissage automatique.
Cela place une énorme responsabilité sur le programmeur, et l'efficacité de l'algorithme dépend fortement de l'inventivité du programmeur. Pour des problèmes complexes tels que la reconnaissance d'objets ou la reconnaissance de l'écriture manuscrite, il s'agit d'un énorme problème.
L'apprentissage en profondeur, avec la possibilité d'apprendre plusieurs couches de représentation, est l'une des rares méthodes qui nous a aidés dans l'extraction automatique de caractéristiques. On peut supposer que les couches inférieures exécutent une extraction automatique des caractéristiques, ne nécessitant que peu ou pas de conseils du programmeur.