現実世界の問題を解決するための 4 つの機械学習戦略

広く認識されている機械学習の形式には、教師あり学習、教師なし学習、半教師あり学習、強化学習の 4 つがあります。これらの形式は研究文献で広範囲に研究されてきました。これらは、機械学習アルゴリズムに関するほとんどの入門コースにも含まれています。次の表は、これら 4 つの形式をまとめたものです。

しかし、あまり知られていない概念が機械学習戦略です。これは、基本的な機械学習アルゴリズムを創造的な方法で使用して現実世界の問題を解決することです。私はこれらの戦略に魅了されました。この記事では、オンライン学習、転移学習、アンサンブル学習、ディープラーニングという 4 つの戦略について説明します。幸いなことに、これら 4 つの戦略は、表にあるあらゆる形式の機械学習に適用されます。

1. オンライン学習

オンライン学習では急速に変化するデータが使用されます。このタイプのモデルはデータでリアルタイムに更新され、以前のデータは保存されません。一部のオンライン学習アルゴリズムは「適応」、つまりデータの変化を追跡するためにいつでもモデルを調整することもできます。具体的には、古くなったデータを徐々に「忘れる」ため、環境やモデルが時間の経過とともに変化するアプリケーションに適しています。バッチ (またはオフライン) 学習では静的データを使用し、オンライン学習のウォームアップとして使用できます。バッチ学習では、モデルは一度にすべてのデータから学習します。多くのオンライン学習アルゴリズムでは、開始前にモデルをウォームアップするためにバッチ/オフライン アルゴリズム (少量のデータ バッチに基づく) を使用します。このアプローチにより、アルゴリズムの収束が大幅に高速化されます。

2. 転移学習

転移学習は、あるドメインの知識を別のドメインに適用します。古いデータ、モデル、パラメータを使用して新しい問題を解決します。これは、機械学習モデルの生涯学習にとって非常に重要です。転移学習は人間が生まれながらに持つ能力です。たとえば、すでに習得した言語知識（語彙、文法など）を新しい言語の学習に応用します。 2 つの言語が近いほど、知識の伝達が容易になります。

3. アンサンブル学習

単一学習者モデルでは 1 つの学習者 (アルゴリズム) のみが使用されますが、アンサンブル学習では複数の学習者が使用されます。一般的なアンサンブル アルゴリズムには、勾配ブースティング、ガイド付き集約、決定フォレスト、スタック アンサンブル、スーパー ラーナーなどがあります。アンサンブル学習では、比較的弱い学習者 (多くの場合、予測精度はランダムな推測よりもわずかに優れているだけ) を組み合わせて、強力で正確なモデルを作成できます。

4. ディープラーニング

ディープラーニングは、データの階層的またはマルチスケールの特徴を学習できる複数のレイヤーで構成されています。対照的に、「浅い学習」は、通常の機械学習モデリング アルゴリズムを単純に適用するだけです。通常、浅い学習は、入力が適切な形式でモデルに提示されるようにするための特徴エンジニアリングと切り離せないものですが、深層学習はトレーニング中にこれらの特徴を自然に学習します。

機械学習戦略は、機械学習アルゴリズムを使用して日常のビジネス問題を解決するときに考慮すべきもう 1 つの側面です。