Einführung in unbeaufsichtigtes maschinelles Lernen
Haben Sie jemals darüber nachgedacht, wie ein Kind in der Lage ist, Äpfel und Orangen zu unterscheiden, wenn es nicht weiß, was sie tatsächlich sind, wie sie schmecken, aber auf der Grundlage von Farbe und Größe kann es sie ohne vorherige Informationen in zwei Gruppen unterteilen? Können wir die gleiche Segmentierung wie ein Kind von Maschinen erwarten, wenn wir die Informationen zu Farbe und Größe erhalten? Mal sehen, wie wir das schaffen! In diesem Thema lernen wir das unbeaufsichtigte maschinelle Lernen kennen.
„Maschinelles Lernen“ bedeutet, dass wir Maschinen lehren, menschenähnliche Aufgaben zu erledigen und wie Menschen von jemandem oder durch Beobachtung lernen. Genauso wie der Mensch, so wie die Maschine lernt.
Maschinelles Lernen kann in drei Teile unterteilt werden:
- Überwachtes Lernen
- Unbeaufsichtigtes Lernen
- Verstärkung lernen
Arten des maschinellen Lernens
Reinforcement Learning ist agentenbasiertes Lernen, bei dem Handlungen eines Agenten belohnt und bestraft werden. Das Endziel ist es, die Gesamtbelohnung beim Lernen aus der Umwelt zu maximieren.
Wenn Sie Eingabe- / Ausgabedaten haben, kurz, beschriftete Daten, zum Beispiel Größe und Gewicht, um zu bestimmen, ob eine Person männlich oder weiblich ist, können Sie als überwachte Lernaufgabe (von jemandem im Fall von Menschen) betrachten.
In vielen realen Szenarien sind diese beschrifteten oder mit Anmerkungen versehenen Daten jedoch nicht immer verfügbar. Häufig treten Probleme bei der Segmentierung von Objekten auf der Grundlage ihrer Eigenschaften auf, die nicht ausdrücklich erwähnt werden. Wie kann man dieses Problem lösen? Unbeaufsichtigtes Lernen ist die Lösung.
Laut Wikipedia handelt es sich beim unbeaufsichtigten Lernen um eine Art von selbstorganisiertem Hebräisch-Lernen, mit dessen Hilfe zuvor unbekannte Muster in Datensätzen ohne bereits vorhandene Bezeichnungen gefunden werden können. Beim unbeaufsichtigten Lernen haben wir keine Etiketteninformationen, aber wir möchten dennoch Einblicke in die Daten erhalten, die auf den verschiedenen Eigenschaften basieren.
Arten des unbeaufsichtigten maschinellen Lernens
Unbeaufsichtigte Lernaufgaben lassen sich grob in drei Kategorien einteilen:
- Assoziationsregel Bergbau
- Clustering
- Empfehlungssystem
1. Verbandsregel Bergbau
Wenn wir Transaktionsdaten für etwas haben, kann es sich um verkaufte Produkte oder um Transaktionsdaten handeln. Ich möchte wissen, gibt es eine versteckte Beziehung zwischen Käufer und den Produkten oder Produkt zu Produkt, sodass ich diese Informationen irgendwie nutzen kann um meinen Umsatz zu steigern. Das Extrahieren dieser Beziehungen ist der Kern von Association Rule Mining. Wir können die Wachstumsalgorithmen AIS, SETM, Apriori und FP zum Extrahieren von Beziehungen verwenden.
2. Clustering
Clustering kann für alle Daten durchgeführt werden, für die keine Klassen- oder Beschriftungsinformationen vorliegen. Wir möchten die Daten so gruppieren, dass die Beobachtungen mit ähnlichen Eigenschaften zu demselben Cluster / derselben Gruppe gehören und der Abstand zwischen den Clustern maximal sein sollte. Der Abstand zwischen den Clustern sollte minimal sein. Wir können die Daten des Wählers gruppieren, um die Meinung über die Regierung herauszufinden, oder Produkte gruppieren, basierend auf ihren Funktionen und ihrer Verwendung. Segmentieren Sie die Grundgesamtheit nach Einkommensmerkmalen oder verwenden Sie Clustering in Vertrieb und Marketing.
Wir können K-Mittel, K-Mittel ++, K-Medoide, Fuzzy C-Mittel (FCM) verwenden,
Expectation-Maximization (EM), Agglomerative Clustering, DBSCAN, Typen von Hierarchical Clustering als Single Linkage, Complete Linkage, Median Linkage, Ward-Methodenalgorithmen für Clustering.
3. Empfehlungssystem
Das Empfehlungssystem ist im Grunde eine Erweiterung des Association Rule Mining in dem Sinne, dass wir in ARM Beziehungen extrahieren und im Empfehlungssystem diese Beziehungen verwenden, um etwas zu empfehlen, das höhere Akzeptanzchancen für den Endbenutzer hat. Empfehlungssysteme haben an Popularität gewonnen, nachdem Netflix 2009 einen Hauptpreis in Höhe von 1.000.000 US-Dollar angekündigt hatte.
Recommendation Systems verarbeitet Transaktionsdaten, sei es Finanztransaktion, E-Commerce oder Lebensmittelladentransaktion. Heutzutage locken große Akteure in der E-Commerce-Branche Kunden an, indem sie für jeden Benutzer eine individuelle Empfehlung abgeben, die auf ihrer bisherigen Kaufhistorie und ähnlichen Kaufverhaltensdaten anderer Benutzer basiert.
Methoden zur Entwicklung von Empfehlungssystemen lassen sich grob in kollaboratives Filtern und inhaltsbasiertes Filtern unterteilen. Bei der kollaborativen Filterung gibt es wieder kollaborative Benutzer-Benutzer-Filterung und kollaborative Artikel-Artikel-Filterung, bei denen es sich um speicherbasierte Ansätze und Matrixfaktorisierung und Singular Value Decomposition (SVD) handelt, um modellbasierte Ansätze.
Anwendungen des unbeaufsichtigten Lernens
Da die weltweiten Datenmengen von Tag zu Tag enorm ansteigen, hat unbeaufsichtigtes Lernen viele Anwendungsmöglichkeiten. Wir erstellen Daten immer mithilfe von Social Media-Plattformen oder Videoinhalten auf YouTube, und oft tun wir dies nicht einmal absichtlich. All diese Daten sind unstrukturiert und die Kennzeichnung für überwachte Lernaufgaben wird anstrengend und teuer.
Das Folgende sind einige coole Anwendungen des unbeaufsichtigten maschinellen Lernens.
- Lebensmittelgeschäft oder E-Commerce-Geschäft / Marktplatz: Extrahieren Sie die Assoziationsregeln aus den Transaktionsdaten der Kunden und geben Sie den Verbrauchern Empfehlungen zum Kauf von Produkten.
- Social Media Platform: Extrahieren Sie Beziehungen zu verschiedenen Benutzern, um Produkte oder Dienstleistungen vorzuschlagen. Empfehlen Sie neue Leute für Social Connect.
- Dienstleistungen: Empfehlungen von Reiseleistungen, eine Empfehlung von zu mietenden Häusern oder Matchmaking-Dienstleistungen.
- Banking: Cluster-Kunden basierend auf ihren Finanztransaktionen. Betrügerische Cluster-Transaktion zur Betrugserkennung.
- Politik: Die Meinungen der Clusterwähler über die Gewinnchancen für eine bestimmte Partei.
- Datenvisualisierung: Mit Clustering und T-Distributed Stochastic Neighbor Embedding (t-SNE) können wir hochdimensionale Daten visualisieren. Dies kann auch zur Dimensionsreduzierung verwendet werden.
- Unterhaltung: Empfehlungen für Filme, Musik, wie Netflix und Amazon.
- Bildsegmentierung: Gruppieren Sie Bildteile anhand der nächsten Pixelwerte.
- Inhalt: personalisierte Zeitungen, Empfehlungen von Webseiten, E-Learning-Anwendungen und E-Mail-Filter.
- Strukturerkennung: Mit Clustering können wir jede verborgene Struktur in den Daten erkennen. Cluster-Twitter-Daten für die Stimmungsanalyse.
Fazit
Unüberwachtes maschinelles Lernen ist nicht zu quantifizierbar, kann jedoch viele Probleme lösen, bei denen überwachte Algorithmen versagen. Es gibt viele Anwendungen für unbeaufsichtigtes Lernen in vielen Bereichen, in denen wir unstrukturierte und unbeschriftete Daten haben. Wir können unbeaufsichtigte Lerntechniken einsetzen, um unseren Maschinen beizubringen, bessere Arbeit zu leisten als wir. In den letzten Jahren haben Maschinen den Menschen in Bezug auf Aufgaben, die seit Jahrhunderten von Menschen als gelöst angesehen werden, übertroffen. Ich hoffe, dass Sie mit diesem Artikel verstanden haben, was ist und wie unbeaufsichtigte Techniken des maschinellen Lernens verwendet werden können, um reale Probleme zu lösen.
Empfohlene Artikel
Dies ist eine Anleitung zum unbeaufsichtigten maschinellen Lernen. Hier werden die Arten des maschinellen Lernens und die Arten des unbeaufsichtigten maschinellen Lernens zusammen mit ihren Anwendungen erörtert. Sie können sich auch die folgenden Artikel ansehen, um mehr zu erfahren -
- Algorithmen für maschinelles Lernen
- Was ist maschinelles Lernen?
- Einführung in das maschinelle Lernen
- Werkzeuge für maschinelles Lernen
- Clustering im maschinellen Lernen
- Hyperparameter Maschinelles Lernen
- Hierarchischer Clustering-Algorithmus
- Hierarchisches Clustering | Agglomeratives & Divisives Clustering
- Top 8 Phasen des Lebenszyklus des maschinellen Lernens