Машинное обучение связано с областью образования, связанной с алгоритмами, которые постоянно учатся на различных примерах и затем применяют их к реальным проблемам. Машинное обучение - это процесс, позволяющий компьютерной программе или системе учиться и со временем становиться умнее. На самом базовом уровне машинное обучение использует алгоритмы для поиска закономерностей, а затем применяет их в дальнейшем. Машинное обучение - это процесс компьютерного моделирования человеческого интеллекта, который со временем автономно улучшается. Машины могут предсказывать будущее на основе того, что они наблюдали и узнали в прошлом. Эти машины не нужно явно программировать, чтобы учиться и совершенствоваться, они могут применять то, чему научились, чтобы стать умнее.

Почему машинное обучение

В эту эпоху автоматизации искусственный интеллект и наука о данных играют важную роль в отрасли здравоохранения. Эти технологии настолько хорошо связаны между собой, что медицинские работники могут легко управлять своими ролями и уходом за пациентами. Все организации здравоохранения усердно работают над разработкой автоматизированной системы, которая может использоваться для решения проблем, с которыми сталкивается здравоохранение. Ученые работают над машинным обучением (ML), чтобы разработать умные решения для диагностики и лечения заболеваний. ML способно более точно выявлять болезни и вирусные инфекции, так что болезнь пациентов может быть диагностирована на ранней стадии, можно избежать опасных стадий заболеваний и уменьшить количество пациентов. Таким же образом ML можно использовать для автоматизации задачи прогнозирования заражения COVID-19 и помощи в прогнозировании будущих показателей заражения COVID-19.

Как работает машинное обучение

В конечном итоге машинное обучение работает с использованием алгоритмов. Эти алгоритмы постоянно ищут закономерности, ищут данные, которые можно понять и сгруппировать. Он использует эти данные и алгоритмы, чтобы учиться на прошлом, а затем делать предположения или предсказания о будущем.

3 основных типа алгоритмов машинного обучения.

Существует три основных типа алгоритмов машинного обучения, которые определяют, как именно работает машинное обучение. Это обучение с учителем, обучение без учителя и обучение с подкреплением. Эти три разных варианта в конечном итоге дают схожие результаты, но путь к их достижению различается.

Обучение с учителем.

В машинном обучении контролируемое обучение довольно практично. Он предполагает, что человек дает машине как ввод, так и вывод. Машина использует алгоритмы, чтобы узнать, как добраться из точки А в точку Б. Давая машине ожидаемый результат, вы помогаете ей научиться находить этот результат в будущем. Он использует алгоритмы для поиска связей между точкой A и точкой B и может узнать из того, что он наблюдает, как входную, так и выходную переменные.

Контролируемое обучение можно разделить на два типа:

  • Регресс

Регрессионное обучение позволяет нам прогнозировать переменные непрерывного результата на основе значения одной или нескольких переменных-предикторов. Проще говоря, он оценивает взаимосвязь между входными и выходными переменными. Цель регрессионной модели - построить математическое уравнение, которое определяет y как функцию переменных x.

связь между зависимой переменной (Y) и одной или несколькими независимыми переменными (X) с использованием наилучшей прямой линии (также известной как линия регрессии Он представлен уравнением Y = a + b * X + e, где a - точка пересечения, b - наклон линии, а e - ошибка. Это уравнение можно использовать для прогнозирования значения целевой переменной на основе заданной переменной-предиктора.

  • Классификация

Методы классификации преследуют ту же цель, что и регрессионные модели. Таким образом, классификация - это метод прогнозного моделирования, при котором метка прогнозируется для заданного входа. Разница между регрессией и классификацией состоит в том, что зависимые атрибуты являются числовыми для регрессии, а для классификации - категориальными. При классификации выходная переменная является категориальной, что означает, что это могут быть такие значения, как да-нет, истина-ложь, спам, а не спам и т. Д. Для оценки наилучшего соответствия используется функция logit.

  • Логистическая регрессия широко используется для задач классификации.
  • Логистическая регрессия не требует линейной связи между зависимыми и независимыми переменными. Он может обрабатывать различные типы отношений, поскольку применяет нелинейное логарифмическое преобразование к прогнозируемому отношению шансов.
  • Чтобы избежать чрезмерной и недостаточной подгонки, мы должны включить все значимые переменные. Хороший подход к обеспечению такой практики - использование пошагового метода оценки логистической регрессии.
  • Для этого требуются большие размеры выборки, поскольку оценки максимального правдоподобия менее эффективны при малых размерах выборки, чем обычные методы наименьших квадратов.

Обучение без учителя.

Неконтролируемое обучение включает в себя просто предоставление машине входных данных и предоставление ей возможности выдавать выходные данные на основе шаблонов, которые она может найти. Такой алгоритм машинного обучения, как правило, дает больше ошибок просто потому, что вы не сообщаете программе, каков ответ. Но обучение без учителя помогает машинам учиться и совершенствоваться на основе того, что они наблюдают. Алгоритмы обучения без учителя менее сложны, так как вмешательство человека менее важно. Машины доверяют работу по науке о данных при обучении без учителя.

Обучение с подкреплением.

Обучение с подкреплением - это алгоритм, который помогает программе понять, что у нее хорошо получается. Обучение с подкреплением, которое часто классифицируется как полууправляемое обучение, - это когда машине говорят, что она делает правильно, и она продолжает выполнять ту же работу. Это полу-контролируемое обучение помогает нейронным сетям и алгоритмам машинного обучения определять, когда они правильно решили часть головоломки, побуждая их снова попробовать тот же шаблон или последовательность. Иногда обучение с подкреплением дает результат, иногда нет. Настоящая цель обучения с подкреплением - помочь машине или программе понять правильный путь, чтобы потом воспроизвести его.

Примеры и приложения машинного обучения.

Каждый день нас окружает множество приложений и примеров машинного обучения. Поразительно, сколько предприятий и компаний используют машинное обучение, которого вы даже не узнаете. Вот некоторые примеры машинного обучения:

  • Рекомендации. Когда вы смотрите Netflix или Hulu или делаете покупки на Amazon, вы всегда получаете рекомендации. Эти списки рекомендаций предоставляются алгоритмами машинного обучения. Программы смотрят на вещи, которые вы смотрели или покупали в прошлом, и находят похожие варианты, которые они могут вам предложить. Он узнает о вас и ваших предпочтениях и может предлагать вам аналогичные предметы или фильмы в будущем.
  • Социальные медиа. Как и в случае с Netflix и Amazon, когда вы просматриваете Facebook, вы можете получить предложение «людей, которых вы, возможно, знаете». Контент в вашей ленте и предложения похожих друзей или мероприятий также являются продуктом машинного обучения. Программа ищет закономерности в ваших привычках потребления, ваших друзьях и событиях и может предложить предложения на будущее на основе того, что она узнала о вас.
  • Онлайн-поддержка клиентов. Когда вы заходите на сайт с просьбой о помощи, вы можете взаимодействовать с чат-ботом. Эти чат-боты используют машинное обучение, чтобы читать то, что вы вводите, и придумывать похожие вопросы или правильные ответы, чтобы помочь вам.
  • Беспилотные автомобили. Машинное обучение используется в беспилотных автомобилях, чтобы помочь транспортному средству понять, что он видит, и соответствующим образом отреагировать. Эти автомобили узнают о схемах движения, знаках, людях и многом другом. Эти автомобили могут извлекать уроки из прошлого вождения, чтобы подготовиться к будущему.
  • Умные домашние помощники. Помощники умного дома используют эту модель обучения для создания понимания на основе правил. Помощники умного дома берут на себя задачу обучения, например понимают ваш голос, и используют машинное обучение, чтобы решить эту проблему. Акустические системы для умного дома могут использовать машинное обучение, чтобы распознавать ваш голос, устанавливать распорядок и определять закономерности в ваших покупках или прослушивании. Затем в будущем он сможет предложить вам аналогичные удобные варианты.
  • Здравоохранение. Системы профилактического здравоохранения используют машинное обучение, чтобы помочь выработать методы оказания медицинской помощи. Машинное обучение может делать предложения поставщикам и пациентам, чтобы помочь им, выявляет корреляции и может вносить предложения на основе наблюдаемых закономерностей. Это чрезвычайно важно для улучшения результатов лечения пациентов.
  • Языковые услуги. Службы языкового перевода в значительной степени полагаются на алгоритмы машинного обучения для быстрого и точного перевода. Программы искусственного интеллекта могут заглядывать в нейронные сети, решать крошечные кусочки головоломки перевода и выдавать результат. Прогнозирование - важнейший элемент услуг перевода, который стал возможным благодаря нейронным сетям. Алгоритмы используются в службах перевода, чтобы помочь с грамматикой, лексикой и структурой предложений.