Шаги машинного обучения: Полное руководство!

Машинное обучение – это новая фантастическая отрасль науки, которая постепенно захватывает повседневную жизнь. От целевой рекламы до распознавания раковых клеток – машинное обучение повсюду. Высокоуровневые задачи, выполняемые простыми блоками кода, вызывают вопрос: “Как происходит машинное обучение?”.

В этом учебном пособии под названием “Полное руководство по пониманию шагов машинного обучения” вы пройдете через шаги, связанные с созданием модели машинного обучения.

PCP в области искусственного интеллекта и машинного обучения

Что такое машинное обучение?

Машинное обучение – это процесс создания систем, которые сами обучаются и совершенствуются, будучи специально запрограммированными.

Конечной целью машинного обучения является разработка алгоритмов, которые автоматически помогают системе собирать данные и использовать их для получения новых знаний. Предполагается, что системы будут искать закономерности в собранных данных и использовать их для принятия жизненно важных решений.

В целом, машинное обучение – это получение системами способности думать и действовать как люди, проявлять человекоподобный интеллект и наделять их мозгом. В реальном мире существуют модели машинного обучения, способные решать такие задачи, как:

• Отделение спама от реальных писем, как в Gmail
• исправление грамматических и орфографических ошибок, как в автокоррекции.

Благодаря машинному обучению в мире также появились системы, способные демонстрировать удивительное человекоподобное мышление, которые выполняют такие задачи, как:

• распознавание объектов и изображений
• выявление фальшивых новостей
• понимание написанных или произнесенных слов
• Боты на веб-сайтах, которые взаимодействуют с людьми, как люди
• Самоуправляемые автомобили

Рисунок 1: Машинное обучение

Этапы машинного обучения

Задача наделить машины интеллектом кажется сложной и невыполнимой. Но на самом деле это очень просто. Ее можно разбить на 7 основных этапов:

1. Сбор данных:

Как вы знаете, машины изначально обучаются на основе данных, которые вы им предоставляете. Крайне важно собирать достоверные данные, чтобы ваша модель машинного обучения могла находить правильные закономерности. Качество данных, которые вы передаете машине, определяет, насколько точной будет ваша модель. Если у вас неверные или устаревшие данные, вы получите неверные результаты или прогнозы, которые не соответствуют действительности.

Убедитесь, что вы используете данные из надежного источника, так как это напрямую влияет на результат вашей модели. Хорошие данные актуальны, содержат очень мало пропущенных и повторяющихся значений и хорошо представляют различные подкатегории/классы.

Рисунок 2: Сбор данных

Бесплатный вебинар: ИИ для принятия решений в бизнесе

2. Подготовка данных:

После того как у вас есть данные, их нужно подготовить. Это можно сделать следующим образом:

• Собрать все имеющиеся у вас данные и упорядочить их. Это поможет убедиться в том, что данные распределены равномерно, а их упорядочивание не влияет на процесс обучения.
• C
• Разделите очищенные данные на два набора – обучающий набор и набор для тестирования. Обучающий набор – это набор, на котором обучается ваша модель. Тестовый набор используется для проверки точности модели после обучения.
• Рисунок 3: Очистка и визуализация данных

3. Выбор модели:

Модель машинного обучения определяет результат, который вы получите после запуска алгоритма машинного обучения на собранных данных. Важно выбрать модель, которая соответствует поставленной задаче. На протяжении многих лет ученые и инженеры разрабатывали различные модели, подходящие для различных задач, таких как распознавание речи, распознавание изображений, прогнозирование и т.д. Кроме того, необходимо определить, подходит ли ваша модель для числовых или категориальных данных, и выбрать соответствующую модель.

Рисунок 4: Выбор модели

Бесплатный курс: Алгоритмы машинного обучения

4. Обучение модели:

Обучение – самый важный шаг в машинном обучении. В процессе обучения вы передаете подготовленные данные модели машинного обучения для поиска закономерностей и составления прогнозов. В результате модель учится на данных, чтобы выполнить поставленную задачу. Со временем, в процессе обучения, модель становится лучше в прогнозировании.

Рисунок 5: Обучение модели

5. Оценка модели:

После обучения модели необходимо проверить, как она работает. Это делается путем тестирования производительности модели на ранее не виденных данных. Невидимые данные используются в качестве тестового набора, на который вы разделили наши данные ранее. Если тестирование проводилось на тех же данных, которые использовались для обучения, вы не получите точного результата, поскольку модель уже привыкла к этим данным и находит в них те же закономерности, что и раньше. Это даст вам непропорционально высокую точность.

При использовании на тестовых данных вы получите точную меру того, как будет работать ваша модель, и ее скорость.

Рисунок 6: Оценка модели

Инженер по искусственному интеллекту

6. Настройка параметров:

После того как вы создали и оценили свою модель, посмотрите, можно ли каким-либо образом повысить ее точность. Это делается путем настройки параметров, присутствующих в вашей модели. Параметры – это переменные в модели, которые обычно определяет программист. При определенном значении параметра точность будет максимальной. Настройка параметров относится к поиску этих значений.

Рисунок 7: Настройка параметров

7. Составление прогнозов

В конце концов, вы можете использовать свою модель на невидимых данных, чтобы делать точные прогнозы.

Как реализовать шаги машинного обучения в Python?

Сейчас вы увидите, как реализовать модель машинного обучения с помощью Python.

В этом примере данные получены от страховой компании, которая сообщает вам о переменных, которые вступают в игру при определении страховой суммы. Используя эти данные, вы должны будете предсказать сумму страховки для человека. Эти данные были собраны на сайте Kaggle.com, где имеется множество надежных наборов данных.

Для начала нужно импортировать все необходимые модули, как показано на рисунке.

Рисунок 8: Импорт необходимых модулей

После этого вы импортируете данные.

Рисунок 9: Импорт данных

Рисунок 10: Набор данных по страхованию

Теперь очистите данные, удалив

Поскольку вам нужно предсказать числовое значение на основе некоторых параметров, вам придется использовать линейную регрессию. Модель должна обучаться на тренировочном наборе. Это делается с помощью команды ‘.fit’.

Рисунок 14: Выбор и обучение модели

Теперь спрогнозируйте свой набор данных для тестирования и определите, насколько точны ваши прогнозы.

Рисунок 15: Прогнозирование с помощью вашей модели

1,0 – это самый высокий уровень точности, который вы можете получить. Теперь получите параметры.

Рисунок 16: Параметры модели

На рисунке выше показаны гиперпараметры, которые влияют на различные переменные в вашем наборе данных.

Будьте впереди технологической игры с нашей программой PG по ИИ и машинному обучению в партнерстве с Purdue и в сотрудничестве с IBM. Узнайте больше!

Заключение

В этом уроке под названием “Полное руководство по пониманию шагов машинного обучения” вы рассмотрели машинное обучение и шаги, связанные с созданием модели машинного обучения. В заключение вы реализовали эти шаги с помощью Python.

Мы надеемся, что эта статья ясно объяснила процесс создания модели машинного обучения. Чтобы узнать больше о машинном обучении и о том, как создавать модели машинного обучения, ознакомьтесь с курсом AI и Machine Learning от Simplilearn Если у вас есть вопросы или сомнения, укажите их в разделе комментариев этой статьи, и мы попросим наших экспертов ответить на них в кратчайшие сроки.

Найдите наши профессиональные сертификационные программы по ИИ и машинному обучению в лучших городах:

Имя

Дата

Место

Профессиональная сертификационная программа по искусственному интеллекту и машинному обучению

Когорта начинается 7 декабря 2022 года, партия выходного дня

Ваш город

Посмотреть детали

Профессиональная сертификационная программа по искусственному интеллекту и машинному обучению, Чикаго	Когорта начинается 14 декабря 2022 года, группа выходного дня	Чикаго
Посмотреть детали	Об авторе	Маянк Банула	Маянк – аналитик-исследователь в компании Simplilearn. Он хорошо разбирается в машинном обучении и искусственном интеллекте на языке python.
Шаги машинного обучения: Полное руководство	Рисунок_1_Машинное_обучение.	Машинное_обучение_Фигура_2.	Маянк – аналитик-исследователь в компании Simplilearn. Он хорошо разбирается в машинном обучении и искусственном интеллекте на языке python.

Машинное_обучение_Фиг_4

Машинное_обучение_Фиг_5

Машинное_обучение_Фиг_6