이 작업을 수행하는 데 사용되는 기계 학습 알고리즘은 감독 학습에 사용되는 알고리즘과 매우 다르며 주제는 자체 게시물에 도움이됩니다. 그러나 그 동안 에 대해, k-means와 같은 클러스터링 알고리즘을 살펴보고 원리 성분 분석과 같은 차원 감소 시스템을 살펴보십시오. 빅 데이터에 대한 당사의 이전 게시물에서는 이러한 주제에 대해서도 더 자세히 설명합니다. 오버피팅은 기계 학습 알고리즘을 학습 데이터에 너무 밀접하게 집중하여 새 데이터를 올바르게 처리할 수 있을 만큼 일반화되지 않도록 하는 결과입니다. 이는 기계가 “잘못된 것을 학습”하고 새로운 데이터를 올바르게 해석할 수 없게 되는 예입니다. 이 기사는 스탠포드 교수 앤드류 Ng 가 그의 자유롭고 개방적인 기계 학습 과정에서 가르친 자료에 크게 그립니다. 이 과정은이 문서에서 논의 된 모든 것을 깊이 다루며 ML 실무자를위한 실용적인 조언을 제공합니다. 나는이 매혹적인 분야를 더 탐험하는 데 관심이있는 사람들에게이 코스를 매우 추천 할 수 없습니다. 우리는 지난 몇 년 동안 기계 학습을 유행어로 보았는데, 그 이유는 응용 프로그램에 의한 높은 양의 데이터 생산, 지난 몇 년 동안의 컴퓨팅 파워 증가 및 더 나은 알고리즘의 개발일 수 있습니다. 아서 사무엘(Arthur Samuel)이 설명한 것처럼 머신 러닝은 “컴퓨터가 명시적으로 프로그래밍되지 않고 학습할 수 있는 능력을 제공하는 연구 분야”입니다. 이는 대부분의 감독된 기계 학습 시스템의 기본 이론을 다룹니다. 그러나 기본 개념은 손에 문제에 따라 다양한 방법으로 적용 할 수 있습니다. 적어도 신경망을 언급하지 않고는 기계 학습에 대한 논의가 완료되지 않을 것입니다.

신경망은 매우 어려운 문제를 해결하는 매우 강력한 도구를 제공 할뿐만 아니라, 우리 자신의 뇌의 작동에 매혹적인 힌트를 제공하고, 진정한 지능형 기계를 만드는 하루 흥미로운 가능성을 제공합니다. 기계 학습은 일상적인 작업을 자동화하는 것에서부터 지능형 통찰력을 제공하는 것까지 어디서나 사용되며, 모든 분야의 산업은 이를 활용하려고 노력합니다. 이미 이 장치를 사용하는 장치를 사용하고 있을 수 있습니다.

Categories: Sin categoría