С прости думи машинното обучение е подполе на изкуствения интелект, което се дефинира като способността на машината да копира интелигентното човешко поведение. AI се използва за изпълнение на сложни задачи по подобен начин, както хората решават проблемите.
Машинното обучение се използва и при прогнози, анализи и решаване на сложни проблеми с помощта на различни алгоритми. Има много вградени модели (алгоритми) в ML (машинно обучение).
Как да научите машинно обучение?
За да научите основно ML, трябва да започнете с основен език за програмиране като python, c++, R и след това трябва да научите за изчисления, вероятности, линейна алгебра, статистика, ако не знаете за това, не се притеснявайте, не е необходимо да научете, че повечето от модела са вградени в ML.
Основи на ML:
- Средно — Средната стойност
- Медиана — Стойността на средната точка
- Режим — Най-често срещаната стойност
Стандартно отклонение
SD е число, което описва как са разпределени вашите данни. Ниско SD означава, че вашите данни са близки до средните (средни), а високо SD означава, че данните ви са разпръснати в широк диапазон.
Процентили
Число, което описва стойността, от която даден процент от стойността е по-нисък.
Разпространение на данни
Той ви показва как се разпределят вашите данни, включително хистограма, диаграма и др.
Нормалното разпределение на данните означава, че разделяте поравно двете страни на средната стойност.
Регресия
намиране на връзка между променлива, наречена регресия. много типове като линейна регресия и също използвани за числена променлива, докато класификацията се използва за категорична променлива (характеристики).
Характеристики на мащаба
когато вашите данни имат различни стойности, може да е трудно да ги сравните. Така че ML използва мащабиране за решаване на този тип проблеми.
Тренирайте/тест
Разделете данните си на две части за обучение и тестови части и след това приложете вашия модел според вашите нужди.
Стъпки за ML:
- Зареждане на данните
- Предварителна обработка (EDA)
- Мащабиране
- Разделете на влак/тест
- модел
Надявам се да харесате този блог, ако след това ме последвате с още невероятно съдържание.
Благодаря
