ネットフリックスやAmazonプライムは映画を見ているようにあなたをプッシュし、この背後にある論理は、あなたが驚いて感じていないということですか？それとも、好奇心旺盛にするものGoogleマップは、あなたの走行経路上のトラフィックを予測することができないのですか？
我々は、すべてのタスクを実行するために、機械学習アルゴリズムと統計モデルを使用する方法を知っていると完璧なソリューションを提案しています。また、この方法は、癌を検出し、様々な目的の、助けにFacebook上で顔を検出することができます。
機械学習：需要
マシンは、アルゴリズムを学習し、日常の人間開発の法則を模倣します。トレーニングと予測：要するに、機械学習は二つの概念に分けることができます。
機械学習は、私たちの日常生活の中で登場しているが、我々はほとんど認識しています。例えば、ユーザがタグにソーシャルメディアプラットフォーム上での単純なタスクだけを学ぶだけのマシンです。こうした広範な不正検出、識別および推奨システムなどの機械学習アプリケーション。近い将来では、機械学習は、洞察に満ちた価値観や個人的なサービスこれらの技術を提供し、自己修正に使用されます。
どのように機械学習アルゴリズムの作品
機械学習は、システムの利用者が提起したすべての質問に答えることができますが作成されます。その後、システムは、トレーニング、最も適切なアルゴリズムによってモデル化と回答質問への基礎としてそれを使用しています。
むしろ、機械学習モデルが従うべき7つのステップがあります。
エスカレーターの検出から、皮膚病を検出するために、すぐに修理を必要とする機械学習、魔法のように私たちが理解できないいくつかのものを扱うことができるコンピュータシステムを出産しました。しかし、どのようにマシンの仕事を学びますか？状況への明示的なプログラミングがない場合には、どのような手順が取られると、彼らはどのように働きますか？これは、あなたが知っておくべきです。
ここでは、例を参照することにより、機械学習の動作原理を実証します：私たちは、ビールやワインを取得し、例えば、あなたがシステムを作成することができ、それを通して、システムが与えられた飲料に対応させていただきますワインやビールです。
1、データ収集
ここでは、簡単な例を与えることができます。収集されるデータは、ビールやワインとグラスから取得されます。ガラス泡の量を確認するための形状分析からは、データ収集は何もすることができます。ここでは特徴として、これらの液体の色は、光の波長を選択し、その内容（アルコール）。小売店からのアルコールのいくつかのタイプの購入、ならびに装置を含む第一の、そして最も重要なステップは、例えば色分光計を測定するため、並びに比重のアルコール含有量を測定するため、正確な測定値を備えることができます。
収集したデータの質と量は、予測モデルの精度を向上させるために役立つため、この手順は、重要です。アルコール度数とアルコール飲料やワインの各コレクションの色は食材を見つけることであり、我々は、このシステムの準備ができている同じトレーニングデータシステムです。
2、データ準備
データを収集したら、システムにロードするために、そして機械学習やトレーニングのために準備する必要があります。
これらのデータは、ランダムに配置されているので、システムは、飲み物はビールやワインの始まりの部分であるかを知りません。しかし、このシステムは飲料がワインやビールで識別することができるはずです。同時に、何の不均衡は、変数間に存在しないことを確実にするための動作を可視化します。
私たちはワインよりも、データのビールを収集する場合は、データ収集のほとんどはビールについてのすべてであるため、しかし、その後、訓練されたモデルは、ある程度のビールの偏差を示してもよいです。しかし、リアルタイムの状況では、モデルがデータビールやワインの同じ番号の両方を使用している場合、その後、ビールの予測は間違って半分かもしれません。
そのため、データの正確な量を提供することも、二つの変数のために重要です。
3、適切なモデルを選択し
、私は適切であるモデルを知ってどうすればよいですか？研究者やデータ科学者の数によると、専門家が正しいモデルが自分のアイデアを持って選ぶことは明らかです。
例えば、いくつかのモデルは、音楽シーケンスやテキストなどのために最も適した、数字の中に、他の適切なシーケンスを設計してきました。あなたがビールやワインは、2つの異なる特性で見るように私たちの例ではビールやワインは、それは、線形モデルです。
4、トレーニングモデル
、それがさらにモデルの性能向上のためにデータを使用するための重要なプロセスである-予測ワインとビールを。y=m*x+b
yはyは直線位置xの値であり、mは線の傾きであり、切片であり、BはX軸切片で直線です。M、B、及びYは、訓練および評価の値のみです。
機械学習では、あなたが行列wまたは重量マトリックスを構築することができ、そこからm個の変数よりも多く発生します。
5、評価
次は、効果的なトレーニングや仕事をするかどうかのモデルかどうかを確認するための評価、評価プロセスです。このように、あなたは簡単にモデルをテストするために訓練に見られていないデータを使用することができます。アイデアはまだ遭遇していないどのようにモデル応答データテストすることです。理想的には、評価モデルは、リアルタイムで実行する方法を分析することです。
図6に示すように、超パラメータ調整
これは、部屋には改善のためのモデルはまだ部屋に訓練されているかどうかを確認することです。これは、（学習率、または訓練プロセストレーニングモデルの実行中の回数）特定のパラメータを調整することによって達成することができます。
トレーニング中に、複数のパラメータを考慮する必要があります。各パラメータについては、モデルのトレーニングの役割でそれらを知っている必要があります、またはあなた自身が時間を無駄や時間のかかる長いによるパラメータ調整の後にあります。
7、予測
最後のステップは、一度モデルをテストすることができ、上記のパラメータに従いました。色やアルコール含有量を考えると、マシンが飲むビールやワインの種類を予測することができます。機械学習は、ワインとビールの違いを決定するためのルールや人間の判断により、代わりに標準モデルを使用することができます。
既知の機械学習アプリケーション
我々は機械学習を使用していたことに気づいたとしても前に、これは信じられないほどです。我々はすべて知っているように、機械学習は、医療診断、音声認識、学習会、金融サービス、予測などの業界のさまざまな用途があります。
医療診断
機械学習は、医療分野に利益をもたらすことが可能なツールや技術を提供し、それを予測し、診断の問題を病気を解決するのに役立ちます。
また、例えば、それが疾患の進行を予測するのに役立ちますが、また、一般的には、主に患者管理のためのヘルプ治療計画を改善するために、病気の予測のために使用される臨床パラメータを分析するために使用されてきました。
音声認識
音声認識では、機械学習は、テキストまたはコンピュータの音声認識に音声認識や音声を自動化することをテキストに変換話し言葉をするのに役立ちます。
連想学習
これは、プロセスの生成物との間の関連の開発に洞察です。要するに、関係のない製品も、それらの間の関連性を明らかにすることができます。
金融サービス
機械学習システムは、不正行為を検出するために、個人の活動は、このユーザーに属しているかどうかを評価するために、個々の活動の継続的なモニタリングを通じて、優れたツールです。
見通し
機械学習は、顧客の債務不履行の可能性を予測することができます。しかし、計算するため、システムは、データの特定のセットに分類されます。
オリジナルリンク：https://imba.deephub.ai/p/18f788a063fe11ea83daff02656c39f6
スキャニングマイクロチャンネル2次元コード、もっとドライ