Python Deep Basic Machine Learning

Inteligência Artificial (IA) é qualquer código, algoritmo ou técnica que permite a um computador imitar o comportamento ou inteligência cognitiva humana. O aprendizado de máquina (ML) é um subconjunto da IA ​​que usa métodos estatísticos para permitir que as máquinas aprendam e se aprimorem com a experiência. Deep Learning é um subconjunto do Machine Learning, o que torna viável o cálculo de redes neurais multicamadas. O aprendizado de máquina é visto como aprendizado superficial, enquanto o aprendizado profundo é visto como aprendizado hierárquico com abstração.

O aprendizado de máquina lida com uma ampla gama de conceitos. Os conceitos estão listados abaixo -

  • supervised
  • unsupervised
  • aprendizagem por reforço
  • regressão linear
  • funções de custo
  • overfitting
  • under-fitting
  • hiperparâmetro, etc.

No aprendizado supervisionado, aprendemos a prever valores a partir de dados rotulados. Uma técnica de ML que ajuda aqui é a classificação, em que os valores alvo são valores discretos; por exemplo, gatos e cachorros. Outra técnica de aprendizado de máquina que pode ajudar é a regressão. A regressão funciona nos valores alvo. Os valores alvo são valores contínuos; por exemplo, os dados do mercado de ações podem ser analisados ​​usando Regressão.

Na aprendizagem não supervisionada, fazemos inferências a partir dos dados de entrada que não são rotulados ou estruturados. Se temos um milhão de registros médicos e temos que dar sentido a isso, encontrar a estrutura subjacente, outliers ou detectar anomalias, usamos a técnica de agrupamento para dividir os dados em amplos clusters.

Os conjuntos de dados são divididos em conjuntos de treinamento, conjuntos de teste, conjuntos de validação e assim por diante.

Um avanço em 2012 trouxe o conceito de Deep Learning em destaque. Um algoritmo classificou 1 milhão de imagens em 1000 categorias usando 2 GPUs e tecnologias mais recentes como Big Data.

Relacionando o Deep Learning e o Machine Learning tradicional

Um dos principais desafios encontrados nos modelos tradicionais de aprendizado de máquina é um processo chamado extração de recursos. O programador precisa ser específico e informar ao computador os recursos a serem observados. Esses recursos ajudarão na tomada de decisões.

Inserir dados brutos no algoritmo raramente funciona, então a extração de recursos é uma parte crítica do fluxo de trabalho de aprendizado de máquina tradicional.

Isso coloca uma enorme responsabilidade sobre o programador, e a eficiência do algoritmo depende muito do quão inventivo o programador é. Para problemas complexos, como reconhecimento de objeto ou reconhecimento de caligrafia, esse é um grande problema.

O aprendizado profundo, com a capacidade de aprender várias camadas de representação, é um dos poucos métodos que nos ajuda na extração automática de recursos. Pode-se presumir que as camadas inferiores executam a extração automática de recursos, exigindo pouca ou nenhuma orientação do programador.