Python-deep-learning-python-deep-basic-machine-learning

Python Deep Basic Machine Learning

人工知能（AI）は、コンピューターが人間の認知行動または知能を模倣できるようにするコード、アルゴリズム、または手法です。 機械学習（ML）はAIのサブセットであり、統計的手法を使用して、機械を学習し、経験とともに向上させることができます。 ディープラーニングは、機械学習のサブセットであり、多層ニューラルネットワークの計算を実行可能にします。 機械学習は浅い学習と見なされ、深層学習は抽象化された階層的学習と見なされます。

機械学習は、幅広い概念を扱います。 概念は以下のとおりです-

• 監督
• 監督されない
• 強化学習
• 線形回帰
• コスト関数
• 過剰適合
• アンダーフィッティング
• ハイパーパラメーターなど

教師あり学習では、ラベル付きデータから値を予測することを学びます。 ここで役立つMLテクニックの1つは分類であり、ターゲット値は離散値です。たとえば、猫と犬。 助けになる機械学習のもう1つの手法は、回帰です。 回帰は、ターゲット値に対して機能します。 目標値は連続値です。たとえば、株式市場データは回帰を使用して分析できます。

教師なし学習では、ラベル付けも構造化もされていない入力データから推論を行います。 100万件の医療記録があり、その意味を理解し、基礎となる構造、異常値を見つけ、異常を検出する必要がある場合、クラスタリング手法を使用してデータを広範なクラスターに分割します。

データセットは、トレーニングセット、テストセット、検証セットなどに分けられます。

2012年のブレークスルーにより、ディープラーニングの概念が顕著になりました。 アルゴリズムは、2つのGPUとビッグデータのような最新のテクノロジーを使用して、100万の画像を1000のカテゴリに分類しました。

ディープラーニングと従来の機械学習の関連付け

従来の機械学習モデルで遭遇する主な課題の1つは、特徴抽出と呼ばれるプロセスです。 プログラマーは具体的であり、コンピューターに注目すべき機能を伝える必要があります。 これらの機能は、意思決定に役立ちます。

生データをアルゴリズムに入力することはめったに機能しないため、特徴抽出は従来の機械学習ワークフローの重要な部分です。

これはプログラマーに大きな責任を負わせ、アルゴリズムの効率はプログラマーの独創性に大きく依存します。 オブジェクト認識や手書き認識などの複雑な問題の場合、これは大きな問題です。

表現の複数の層を学習する機能を備えたディープラーニングは、自動特徴抽出に役立つ数少ない方法の1つです。 下層は自動特徴抽出を実行していると見なすことができ、プログラマーからのガイダンスはほとんど必要ありません。