I modelli di apprendimento automatico o machine learning svolgono un ruolo fondamentale nell'intelligenza artificiale. In parole semplici, sono rappresentazioni matematiche . In altre parole, sono l'output che riceviamo dopo aver addestrato un processo.
Quello che fa un modello di machine learning è scoprire i patterns in un set di dati di addestramento . In altre parole, i modelli di apprendimento automatico associano gli input agli output del set di dati specificato.
Prerequisiti :
Questi modelli di classificazione possono essere classificati in diversi modi chiamati Analisi delle componenti principali , Riduzioni dimensionali , Clustering , Modelli di regressione, Modelli di classificazione, ecc.
Adesso poniamoci delle domande per capire in modo approfondito cosa è un modello e cosa centra con il machine learning o apprendimento automatico.
Cos'è un modello nell'apprendimento automatico o machine learning?
Costruire un modello nell'apprendimento automatico significa creare una rappresentazione matematica generalizzando e imparando dai dati di addestramento. Quindi, il modello di apprendimento automatico creato viene applicato ai nuovi dati per fare previsioni e ottenere risultati.
Il modello che crei può essere un modello di regressione o un modello di classificazione basato sulla variabile target nota come variabile Y. Se la variabile target ha un valore quantitativo , è necessario creare un modello di regressione . Se il tipo di dati della variabile target è qualitativo , è necessario creare un modello di classificazione .
La mancanza di dati può essere una sfida nella creazione di modelli di machine learning. Anche se hai accesso a un numero sufficiente di dati, dovrebbero essere in buone condizioni e puliti prima di creare il modello.
Quali sono i modelli utilizzati nel machine learning?
Esistono due tipi di apprendimento automatico: apprendimento supervisionato e apprendimento non supervisionato .
Apprendimento supervisionato:
Nell'apprendimento supervisionato, i modelli di apprendimento automatico cercano di capire le migliori dipendenze e relazioni tra i valori di input e gli obiettivi. È necessario fornire un set di dati di addestramento di input etichettato per l'apprendimento supervisionato. Gli algoritmi di apprendimento automatico scoprono i modelli da quel set di dati. Quindi, crea un modello che può essere utilizzato su nuovi dati chiamato test data.
Apprendimento non supervisionato:
L'apprendimento non supervisionato crea cluster utilizzando i dati di input . Nell'apprendimento non supervisionato, dovresti fornire un set di dati senza valori di output. Quindi, i modelli di apprendimento automatico possono capire modelli, regole e riepiloghi di punti dati simili.
Vediamo i diversi tipi di modelli di apprendimento supervisionato e non supervisionato.
Tipi di modelli di apprendimento supervisionato
Modelli di regressione:
è possibile creare un modello di regressione se le variabili di output del problema hanno valori continui. Ad esempio, crei modelli di regressione per prevedere i prezzi delle case.
Modelli di classificazione:
è possibile creare modelli di classificazione per prevedere la classe o il tipo di un oggetto da un numero finito di opzioni. In questi modelli, la variabile di output è sempre categoriale.
I modelli di classificazione sono di due tipi. Questi sono modelli di classificazione multiclasse e modelli di classificazione binaria . I modelli di classificazione multiclasse vengono utilizzati per prevedere più classi (più di due risultati), mentre i modelli di classificazione binaria generano previsioni per un risultato binario (uno di due risultati).
Ad esempio, dovresti creare un modello di classificazione multiclasse per prevedere se un prodotto è abbigliamento, cibo o libro. Allo stesso modo, dovresti creare un modello di classificazione binaria per prevedere se un'e-mail è uno spam o meno.
Tipi di modelli di apprendimento non supervisionato
1- Clustering:
è possibile creare un modello di clustering per raggruppare elementi simili . Consente di identificare rapidamente oggetti simili senza intervento manuale.
2- Regola di associazione:
puoi creare un modello di regola di associazione per scoprire le associazioni nei dati . Ad esempio, se acquisti uno smartphone, è più probabile che tu acquisti anche una custodia per telefono.
3- Riduzione dimensionale:
è possibile creare un modello di riduzione dimensionale per generalizzare i dati ed estrarre informazioni significative.
4- Deep Learning :
nell'apprendimento profondo , utilizzi le reti neurali per creare modelli di machine learning. I modelli di deep learning possono essere classificati come autoencoder, macchine Boltzmann, reti neurali ricorrenti, reti neurali di convoluzionee perceptron multistrato in base alla loro architettura di rete neurale . Puoi utilizzare modelli di deep learning nell'apprendimento automatico supervisionato o non supervisionato.
Qual è la metrica più importante per valutare un modello di machine learning?
Quindi, ora che conosci i diversi tipi di modelli disponibili in ML, quale metrica è più importante per determinare il valore di un modello di machine learning?
La metrica più importante di un modello di machine learning di classificazione è l' accuratezza . La precisione è il rapporto tra il numero totale di previsioni corrette e il numero totale di punti dati nel set di dati di test.
La precisione è un modo per valutare le prestazioni di un modello , ma ci sono altri modi. Tuttavia, l'accuratezza offre la migliore prospettiva delle prestazioni di un modello per un determinato set di dati rispetto ad altre metriche.
Usiamo le metriche per valutare le prestazioni di un modello. Successivamente, discuteremo i parametri del modello di cui il modello ha bisogno per fare previsioni.
Che cos'è un parametro del modello nell'apprendimento automatico?
Un parametro del modello è un valore che viene appreso e stimato durante l'addestramento dal set di dati. Il valore deve essere approssimato dai dati di addestramento. Quindi, i parametri del modello sono variabili interne del modello di apprendimento automatico.
I valori dei parametri del modello vengono impostati in base all'addestramento. I modelli di apprendimento automatico utilizzano questi valori per fare previsioni. Le prestazioni del modello si basano sull'accuratezza dei valori dei parametri del modello.
I valori dei parametri del modello hanno un certo grado di controllo sulla complessità di un modello .
Cos'è una curva di complessità del modello nell'apprendimento automatico?
La curva di complessità del modello è una trama grafica utilizzata per esprimere la complessità di un modello. Mostra l'aumento relativo delle informazioni all'aumentare della dimensione del campione.
La curva di complessità può essere utilizzata per l'eliminazione dei dati e può accelerare il processo di apprendimento senza influire sull'accuratezza della classificazione.
La curva di complessità consente di confrontare le prestazioni del modello sui dati di addestramento e convalida man mano che il modello diventa più o meno complesso.
In generale, i modelli più complessi danno le migliori prestazioni rispetto ai modelli semplici. Ci sono molti parametri nei modelli complessi. Pertanto, possono adattarsi bene al risultato desiderato regolando questi parametri durante l'allenamento. Quindi, il loro tasso di errore sarà molto più basso.
Nell'apprendimento automatico cos'è un model artifact ?
Quando si addestra un modello ML, è necessario fornire i dati di addestramento all'algoritmo di apprendimento automatico da cui apprendere. Il model artifact è l'output creato dal processo di formazione. Potrebbe essere un file generato dal processo di addestramento, un checkpoint del modello o un modello completamente addestrato. Ad esempio, se alleni un modello di deep learning, guadagni pesi allenati come output.
Qual è l'ordine corretto dei passaggi da eseguire nella creazione di un modello di apprendimento automatico?
Ci sono sette passaggi che devi seguire quando crei modelli di machine learning. Non dovresti ignorare nessuno di questi 7 passaggi chiave nello sviluppo del modello di apprendimento automatico.
1. Raccogliere dati
Prima di tutto, dovresti raccogliere dati. Questo passaggio è estremamente importante poiché la qualità e la quantità di dati raccolti hanno un enorme impatto sull'output del modello di machine learning.
2. Preparare i dati
E' necessario modellare i dati aziendali raccolti in modo che possano essere utilizzati per addestrare un modello di machine learning. Le prestazioni del modello di apprendimento automatico si basano sulla qualità dei dati. La preparazione dei dati significa la pre-elaborazione dei dati rimuovendo i duplicati, correggendo gli errori e normalizzando. Quindi la preparazione dei dati prevede la pulizia, la trasformazione, l'aggregazione, la normalizzazione, l'aumento e l'etichettatura dei dati .
3. Scegli il modello
Quando i tuoi dati sono in una forma utilizzabile, puoi scegliere il modello della tua macchina. Dovresti selezionare il modello di machine learning appropriato in base ai tuoi obiettivi di business. A seconda dell'obiettivo che desideri raggiungere, puoi selezionare modelli di machine learning tra cui regressione lineare, deep learning, clustering, classificazione e così via. Scegliere il modello giusto per i tuoi dati può essere una decisione difficile e talvolta richiedere molti tentativi ed errori per arrivare alla conclusione finale.
4. Addestra il tuo modello
L'addestramento del modello di machine learning è al centro della creazione di modelli di machine learning. Il modello di apprendimento automatico sta attraversando la parte di apprendimento in questa fase. In questa fase, il modello è sottoposto a riqualificazione finché il modello di apprendimento automatico non fornisce il livello di accuratezza desiderato.
5. Valutazione
Nella fase di valutazione, esegui la garanzia della qualità per il tuo modello di apprendimento automatico. Valuti il tuo modello di machine learning utilizzando calcoli di matrice, misurazioni della qualità e approccio metrico del modello.
6. Regolazione dei parametri
Dopo aver eseguito la valutazione, puoi verificare se puoi migliorare ulteriormente la formazione. Devi fare la regolazione dei parametri per quello. Puoi mostrare il set di dati completo al tuo modello, in modo che possa ottimizzare i parametri e migliorare le previsioni. Puoi anche mostrare il set di dati completo con diversi timer per consentire al modello di fare previsioni più accurate.
7. Previsione o inferenza
Dopo aver completato tutti i passaggi precedenti, puoi utilizzare il tuo modello di apprendimento automatico in scenari di vita reale. La fase finale del processo di costruzione del modello è chiamata previsione o inferenza . Questa è la fase di distribuzione del modello in cui è possibile utilizzare il modello di apprendimento automatico per risolvere i problemi del mondo reale. Questo processo prevede la fornitura di modelli di apprendimento automatico in produzione.
Il Machine Learning Model Management gioca qui un ruolo significativo in quanto consente di portare il modello di machine learning dalla fase di sviluppo al livello di produzione. È possibile usare Azure Machine Learning per la distribuzione della gestione dei modelli.
Puoi utilizzare la pipeline di machine learning per automatizzare questi flussi di lavoro di machine learning . Consente di correlare e trasformare i dati della sequenza in un modello, in modo da ottenere gli output desiderati. Le pipeline di machine learning possono trasformare il formato dei dati grezzi in informazioni utili che puoi utilizzare per estrarre informazioni dettagliate.
Conclusione sui Modelli di Machine Learning
La selezione del giusto modello di machine learning per un caso d'uso specifico è fondamentale per ottenere i risultati desiderati. Puoi definire KPI e metriche di valutazione per confrontare le prestazioni tra diversi modelli di machine learning per il tuo specifico problema aziendale. È possibile scegliere il modello migliore dopo aver verificato le prestazioni statistiche di ciascun modello.
.png)
