テスラカーと線形回帰の 間で共通していることは何だと思いますか？テスラ、こと自動車実行する非常に複雑な深いはアルゴリズムを学習ほとんど実行中に60マイル/時間をこのような素晴らしいと精度と速度ながら、線形回帰は基本的に（LRのすべての原因に関して）最良適合line😂。

答えは、各機械学習または深層学習アルゴリズムの最小単位に関係しています。私たちが持っているように、「物質の最小単位は原子です。」

この投稿では、機械学習のさまざまな概念とアルゴリズム、およびそれらがどのように生まれたのかを理解します。これは直感ベースのアプローチです。つまり、特定のアルゴリズムが発生した方法と理由を学習し、異なる概念間のリンクを接続するのに役立ちます。

説明 -

• 機械学習のアプリケーション。
• 機械学習への直感的なアプローチ（実行中の学習）。
• 機械学習の最小単位。
• 選択するアルゴリズム/モデルを決定する方法。

機械学習のアプリケーション

簡単に言えば、それはどこにでもあります、

• 右あなたからSnapchat、とInstagramのフィード、
• 複雑なテスラ車、私のお気に入りの一つにMCQのためのグーグル...（😈😏）
• 数ヶ月前のCovid19第3波の台頭の予測。
• この投稿の正しいスペルを書くのを文法的に助けてくれます。

しながら学ぶ

環境問題を解決したい、または自動運転車を作りたいとしましょう。

これを実行できるアルゴリズムを考えてみましょう。

class Some_Algorithm:
     '''
     '''

1.過去の経験から学ぶことができる

私たちの場合、これは、車（アルゴ）が次のような過去の経験を覚えているか、学ぶ必要があることを意味します

正面の赤信号：停止

ルードが左に行く場合：左ターン

動物/人間が正面にいる場合：停止

この特定のケースは、次のように知られています—

教師あり学習

これらでは、私たちのアルゴリズムは、与えられた質問/状態/状況とそれぞれの回答から学習します。そして、将来、質問を見つけたとき、その学習に基づいて、状況に取り組むことができます。

2.同様のオブジェクトをグループ化します

BMW車を処理するためのコードや、フェラーリ用の別のコードを作成しないことは明らかです。馬鹿げているように聞こえるかもしれませんが、自動運転車はBMWとフェラーリ、さらには歩行者との関係についても知りません。または動物。

私のポイントは、BMW、フェラーリなどが同じカテゴリに分類され、動物とパドストリアンが異なるカテゴリに分類されることを識別して、それぞれの特定のカテゴリに応じて決定を下すことができるアルゴリズムを考え出す必要があるということです。これは、

教師なし学習

この場合、ソリューション/ラベルは提供されておらず、特定の類似性のタイプに基づいてオブジェクトをクラスター化することになっています。類似性は、色、形、距離などの任意の属性に基づくことができます。

3.多数の不確実性を処理する

点から、これまで、そのようなの検索などに注意する多くの変数がある異なるタイプのオブジェクト、グループにそれらを分類し、取扱い気象条件の異なる種類を、ウェットと泥だらけの道路を取り扱い、他のスピード違反の車があり、そうとはオン。注意すべき変数はたくさんあります。そして、これらすべてのシナリオを処理するコードを書くことは不可能です。

したがって、各側面のコードを記述せずに、それ自体で物事を学習できるアルゴリズムを作成することになっています。これは、次のように知られています。

強化学習

ここでは、特定のアクションを実行することに対して特定のタイプの報酬を提供するアルゴリズムを記述します。たとえば、左折しましたが、車が右折した場合、車（アルゴ）に-veの報酬が与えられ、左折した場合、+ veの報酬が与えられます。したがって、基本的に、アルゴリズムは-ve報酬を減らし、+ ve報酬を取得しようとします。このプロセスでは、さまざまな状況で動作することを学習します。（明らかに、実際には車にこのように学習させることはできないため、シミュレーションでこのプロセスを実行します）

アルゴリズムの構造

class MachineLearning:
     def Supervised_Learning( Situation, Answers ):
           return model
     def Unsupervised_Learning( Situation ):
           return model
     def Reinforcement_Learning( Situation ):
           return model

機械学習へのさまざまなアプローチがわかったところで、次の質問に答えましょう。テスラ車と線形回帰の
間で共通していることは何だと思いますか？

したがって、解決するすべての問題について、学習するアルゴリズムに与えられる入力がいくつかあります。既知のこの入力は、データと呼ばれます。このデータは、CSVまたはグラフとして表示できます。

したがって、答えは、最小のscallのすべてのmlアルゴリズムで、次のことを行う必要があるということです。

1.データが配布されるパターンに従うことができる行を思い付く。

2.グラフに存在するさまざまなクラスターを区別できる線を考え出す。

教師あり、教師なし、強化学習のいずれであっても、舞台裏で全員がその線を作成しようとしています。ある意味で、この線を決定線/境界と呼ぶことができます。

決定境界には2つのタイプがあります—

1. 線形
2. 非線形

しかし、決定境界を作成するためのさまざまなアルゴリズムがわかったので、!!

選択するアルゴリズム/モデルを知るには、次の質問を自問してください—

Q1。どのタイプの問題を解決していますか？

• それは教師あり学習、教師なし学習、または強化学習の問題ですか？

Q3。データは線形分離可能ですか、それとも非線形ですか？

結論 -

私たちは見てきたどのように私たちすることができますへの直感的なアプローチ監修、教師なし、および強化学習アルゴリズム。我々はまた、それはだかどうかを見ましたニューラルネットワークまたは線形回帰は、同じ方法が小規模で適用されます。最後に、より良いモデル/アルゴリズムを選択する手順を学びました。

この直感的なアプローチと情報が役立つと思われる場合は、👏😄を離れることを検討してください。