Quelles sont les applications du machine learning ?

Deux principaux scénarios d'application de l'apprentissage automatique : la régression et la classification

La régression et la classification sont les deux types de problèmes d'apprentissage automatique les plus courants, comme le montre la figure ci-dessous.

Les problèmes de régression sont généralement utilisés pour prédire une valeur dont la valeur d'étiquette est continue. Par exemple, prédisez les tendances et valeurs continues telles que les prix de l’immobilier et les conditions météorologiques futures. Les algorithmes de régression les plus courants sont les algorithmes de régression linéaire et les réseaux de neurones dans l'apprentissage profond.

Le problème de classification consiste à étiqueter les choses avec une étiquette de catégorie, et le résultat est une valeur discrète, qui est une option dans la catégorie. Par exemple, déterminer si l'animal sur une image est un chat ou un chien. La classification comprend la classification binaire et la classification multivariée, et il n'y a qu'un seul résultat final correct pour chaque classe. La classification est un domaine d'application classique de l'apprentissage automatique. De nombreux algorithmes d'apprentissage automatique peuvent être utilisés pour la classification, notamment l'algorithme de régression logistique le plus élémentaire, l'algorithme d'arbre de décision classique et les réseaux de neurones dans l'apprentissage profond. Il existe également des problèmes de classification multi-étiquettes dérivés de la classification multi-catégories. Les applications typiques incluent l'étiquetage automatique des noms lors du téléchargement de photos sur des sites de réseaux sociaux et les systèmes de recommandation - recommandant plusieurs produits au même utilisateur sur un site Web ou une application, ou Recommander. un certain produit à plusieurs utilisateurs.

Autres scénarios d'application de l'apprentissage automatique

Bien sûr, en plus des problèmes de régression et de classification, il existe de nombreux scénarios d'application de l'apprentissage automatique. Par exemple, le problème de clustering le plus courant dans l'apprentissage non supervisé consiste à diviser les données en différents clusters en fonction de la nature de leurs caractéristiques sans étiquettes (en fait, il s'agit de la classification des données. Un autre type d'apprentissage non supervisé est l'association. Règles par lesquelles les relations d'influence) ; entre les fonctionnalités peut être trouvé.

Un autre exemple est les séries chronologiques, qui font référence à un ensemble de données dont la structure interne change régulièrement au fil du temps, comme les données de tendance, les données qui changent avec les saisons, etc. Le problème des séries chronologiques est en fait un problème de régression étroitement lié au temps et à la période. Les scénarios d'application spécifiques incluent la prévision des fluctuations des marchés financiers, la déduction de l'activité solaire, des marées, de la météo et même de la naissance des étoiles et de la formation des galaxies, la prévision de la propagation des maladies épidémiques, etc.

Il existe également une sortie structurée. Habituellement, l’apprentissage automatique génère une réponse ou une option, mais il est parfois nécessaire de produire une structure grâce à l’apprentissage. Qu'est-ce que ça veut dire? Par exemple, dans la reconnaissance vocale, la machine produit une phrase. La phrase a une structure standard, pas seulement les nombres de 0 à 9 (la reconnaissance de 0 à 9 est un problème de classification. C'est une étape plus loin que les problèmes de classification ordinaires). Les scénarios d'application spécifiques incluent la reconnaissance vocale - produisant des phrases avec une structure grammaticale correcte, et la traduction automatique - produisant des articles conformes aux réglementations.

Il existe également des problèmes d'apprentissage automatique dont le but n'est pas de résoudre des problèmes, mais de rendre le monde plus coloré, afin que l'IA puisse également effectuer le travail effectué par des artistes, comme les suivants. Dreamwork de Google peut combiner les styles de deux images pour une migration de style artistique. Le réseau contradictoire génératif GAN peut créer des images qui semblent réelles. Exploiter l'espace latent des vecteurs de fonctionnalités numériques pour créer de la musique, des actualités, des histoires, etc.

Nous pouvons appeler cette application d’apprentissage automatique l’apprentissage génératif.

Il y a aussi des moments où l'objectif de l'apprentissage automatique est de prendre des décisions, ce qu'on appelle des problèmes de prise de décision. Les problèmes de prise de décision restent essentiellement des problèmes de classification, car chaque décision utilise en réalité le comportement le plus approprié pour classer un certain état de l’environnement. Par exemple, la direction (gauche, centre, droite) en conduite autonome et le point d'atterrissage en Go font toujours partie des catégories 19×19. Les scénarios d'application spécifiques incluent la conduite autonome, des agents intelligents jouant à des jeux, des robots jouant aux échecs, etc. Dans de nombreux problèmes de prise de décision, les machines doivent apprendre quelles décisions sont efficaces et peuvent apporter des récompenses, quelles décisions sont inefficaces et apporteront des rendements négatifs, et lesquelles sont bénéfiques pour les objectifs à long terme. L’apprentissage par renforcement est donc une technique courante dans ce cas.

En général, l'astuce de l'apprentissage automatique est de comprendre votre propre problème et de choisir la meilleure méthode d'apprentissage automatique (algorithme) pour votre problème, c'est-à-dire de trouver quelle technologie est la plus susceptible d'être adaptée à la situation. Si vous pouvez connecter des scénarios ou des tâches avec des technologies appropriées, vous pouvez avoir une idée lorsque vous rencontrez un problème et trouver rapidement une solution. La figure ci-dessous relie certains scénarios d'application et modèles d'apprentissage automatique courants

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!