Existem muitos tipos diferentes de algoritmos de aprendizagem, classificados de acordo com muitos critérios diferentes. Por exemplo, com base na forma como o modelo aprende (estilo de aprendizagem) ou de acordo com a função, pode ser resumido pelos seguintes critérios:

• O processo de treinamento precisa de supervisão humana? Supervisionado (supervisionado), Não supervisionado (não supervisionado), Semi-supervisionado (meio supervisionado) e Aprendizagem por reforço (aprendizagem por reforço).
• Compare a alteração dos dados comparando os pontos de dados antigos com os novos pontos de dados dos quais tirar conclusões ou criar padrões de regras para os dados de treinamento e, em seguida, criar modelos para adivinhar como alguns algoritmos (aprendizado baseado em instância e baseado em modelo).

Aprendizado supervisionado/não supervisionado

Este algoritmo é frequentemente usado em problemas de agrupamento/rotulagem.

Aprendizado supervisionado

A partir do par de dados de entrada é (dados, rótulo) e irá prever a saída de novos dados de nova entrada. Ou seja, quando a entrada é o conjunto X={x1, x2,…, xn} e o conjunto de rótulos correspondente Y = {y1, y2, .., yn} onde X, Y são 2 vetores. Dado que X e Y são conjuntos de dados de treinamento, desse conjunto de treinamento precisaremos de uma função que mapeie cada elemento de X para um elemento y previsto com y_pre ~ f(xi).

O problema de verificar se há spam no e-mail é uma aplicação prática desse modelo. O algoritmo levará como entrada e-mails com o rótulo como spam ou não. E a partir daí, o algoritmo baseado em medos determina se um email com novos dados é spam ou não. Alguns algoritmos de aprendizado supervisionado, como Regressão Linear, Regressão Logística, Redes Neurais, …

Aprendizado não supervisionado

Neste algoritmo, não conheceremos o resultado, mas apenas os dados de entrada. Determine com base na estrutura de dados para executar uma determinada tarefa, como clustering. O sistema aprenderá sem que ninguém ensine.

Dois algoritmos podem ser mencionados no modelo de aprendizado não supervisionado, como: Clustering ou Association

• Clustering: ajuda a dividir os dados com base em sua relevância. Por exemplo, segmentar clientes nas redes sociais a partir daí analisar o comportamento do usuário e trazer dados para um grupo de pessoas com semelhança.
  • Alguns algoritmos de agrupamento populares
    • K-Means
    • k-medianas
    • Maximização da expectativa
    • Análise Hierárquica de Cluster (HCA)

• Associação: Define as regras dos dados.

Aprendizagem semi-supervisionada

Problemas em que temos uma grande quantidade de dados, mas apenas uma parte dos quais somos rotulados, são chamados de Aprendizado Semi-Supervisionado. Este está entre Aprendizado Não Supervisionado e Supervisionado. Por exemplo, um problema em que apenas uma parte de uma imagem ou texto é rotulada (por exemplo, fotos de pessoas, animais ou textos científicos ou políticos) e a maioria das outras imagens/textos não é rotulada. coletada da Internet. Na verdade, muitos problemas de Machine Learning se enquadram nesse grupo porque a coleta de dados rotulados leva muito tempo e é cara. Muitos tipos de dados exigem até mesmo rotulagem especializada (imagens médicas, por exemplo). Em contraste, dados não rotulados podem ser obtidos a baixo custo da internet.

Aprendizado por Reforço

Os dados de entrada do aprendizado por reforço são quase indeterminados. Que o algoritmo aprenderá diretamente. Então, quanto mais aprendizado, maior será a precisão dos dados de saída, porque cada aprendizado de máquina será recompensado com uma certa recompensa. O AlphaGo, por exemplo, é um sistema que usa aprendizado por reforço e venceu até mesmo o melhor jogador de Go do mundo.

Resumo

Determinar a qual modelo seus dados pertencem é uma etapa muito importante para encontrar um algoritmo de treinamento que se ajuste aos dados e aos requisitos do problema. Por meio deste artigo, esperamos que todos entendam mais sobre algoritmos em ML. Nos artigos a seguir, vou me aprofundar na explicação e análise de cada um dos algoritmos mencionados acima.