Машинное обучение легко, если учиться у правильного человека.

Когда большинство людей слышат о машинном обучении, они представляют себе Железного человека (персонаж Тони Старка). Но машинное обучение - это не просто персонаж Железного человека, это гораздо больше. Кроме того, машинное обучение - не новая концепция, она существует уже несколько десятилетий.

Прежде чем приступить к пониманию, давайте поговорим о некоторых важных фактах и ​​статистике машинного обучения в нашей реальной жизни.

1. По данным Statista, на приведенном ниже графике показаны текущие и ожидаемые уровни зрелости машинного обучения в компаниях.

2. По данным Statista, рынок NLP (обработка естественного языка) прогнозируется в 2025 году почти в 14 раз больше, чем в 2017 году, увеличившись с примерно трех миллиардов долларов США в 2017 году до более 43 миллиардов в 2025 году.

3. По данным Forbes, мировой рынок машинного обучения оценивался в 1,58 млрд долларов в 2017 году и, как ожидается, достигнет 20,83 млрд долларов в 2024 году, при среднегодовом темпе роста 44,06% в период с 2017 по 2024 годы.

4. По данным Statista, в 2020 году на устройствах по всему миру будет использоваться 4,2 миллиарда цифровых голосовых помощников. Согласно прогнозам, к 2024 году количество цифровых голосовых помощников достигнет 8,4 миллиарда единиц - это больше, чем население мира.

5. По данным F orbes, сегодня 80% предприятий инвестируют в ИИ.

Что такое машинное обучение?

В настоящее время применение машинного обучения во всех сферах деятельности значительно возросло.

Но это было начато до 21 века.

Когда Артур Самуэль (1959 г.), американский исследователь в области искусственного интеллекта, впервые ввел термин «машинное обучение».

Итак, мы подошли к 1959 году, чтобы узнать о его существовании, но Что такое машинное обучение?

По словам Артура Самуэля, машинное обучение - это область обучения, которая дает компьютерам возможность учиться без явного программирования. Машинное обучение (ML) можно понимать как вычислительные методы, которые используют опыт для повышения производительности или для точных прогнозов.

Не могу понять, ничего страшного, давайте начнем с более детской игры.

Проще говоря, это означает научить машину учиться, то есть Машинное + Обучение = Машинное обучение.

Когда вы посмотрите на такие сайты, как Facebook, Amazon, Netflix, вы увидите, что несколько моделей машинного обучения работают на благо пользователей. Например рекомендация фильмов на Netflix.

Вы можете увидеть машинное обучение в различных приложениях, таких как распознавание изображений, распознавание речи, медицинская диагностика, банковский сектор и многие другие.

Почему машинное обучение?

Без машинного обучения невозможно создать распознавание изображений, распознавание речи. Каждый из нас пользуется электронной почтой, и многие из вас знают о папке для спама. Но вы знаете, что машинное обучение используется для фильтрации спама.

Машинное обучение помогает нам написать алгоритм, который обучается сам по себе, поэтому нам не нужно его обновлять в будущем. Он учится на основе данных и меняет свою работу.

Наконец, машинное обучение может помочь людям учиться. Например, алгоритм машинного обучения может использоваться для фильтрации спама. Для фильтрации спама мы пишем и используем алгоритм (на основе слов спама, например, бесплатно, замечательно) и отправляем его в папки для спама. Затем спамеры пытаются использовать другие слова, из-за чего приходится писать другие алгоритмы. Это усложнилось.

Итак, здесь появилось машинное обучение, которое обнаруживает разные слова, которые снова и снова используют спамеры. Машинное обучение обнаруживает слово и меняет свои алгоритмы на новые слова, используемые спамерами. После этого на основе собранных данных люди смогут находить новые слова, используемые спамером, и учиться на них.

Существуют также особые виды алгоритмов машинного обучения, которые создают выходные данные для ввода, которых раньше никогда не было, без какого-либо вмешательства человека.

Машинное обучение также можно использовать для интеллектуального анализа данных.

Типы систем машинного обучения.

Машинное обучение можно условно разделить на три типа:

1. Контролируемое обучение: в этом типе классификации маркированные данные предоставляются машине. Так что это дает решение, например, предоставление помеченных данных в виде изображений собак на устройство, которое может быстро научиться идентифицировать собак.

Вот некоторые из наиболее важных алгоритмов контролируемого обучения.

* k-Ближайшие соседи
* Линейная регрессия
* Логистическая регрессия
* Машины опорных векторов
* Деревья решений и случайные леса

2. Обучение без учителя: в этом типе данные без метки предоставляются машине в группе / кластере. Машина способна к обучению с этими данными без метки.

Например, при обучении без учителя сотрудники компании группируются в соответствии с их спецификациями, основанными на некоторых алгоритмах.

Некоторые алгоритмы обучения без учителя.

* Кластеризация
1. К-средние
2. Иерархический кластерный анализ
3. Максимизация ожиданий

* Визуализация и уменьшение размерности
1. Анализ главных компонентов
2. Ядро PCA
3. Распределенное стохастическое соседнее встраивание

* Изучение правил ассоциации
1. Априори
2. Эклат

3. Обучение с подкреплением. Обучение с подкреплением работает по-разному. Здесь обучающая система называется агентом. Агент наблюдает за окружающей средой и выполняет некоторые задачи.

Если задачи выполнены правильно / выполнены успешно, взамен выдается вознаграждение, в противном случае - штрафы за невыполненное задание. Например, робот использует обучение с подкреплением, чтобы научиться ходить.

Данные играют решающую роль в машинном обучении.

Все мы знаем, что специалистам по обработке данных нужны данные для работы?

Требуются ли данные для машинного обучения?

Да, машинное обучение также работает с данными. Чем больше данных, тем точнее будет модель машинного обучения.

Очень важно знать данные, с которыми вы работаете, прежде чем приступить к моделированию. Выбирать алгоритм и работать с данными неэффективно.

Перед построением модели вы должны хотя бы знать ответ на следующий вопрос:

1. Сколько данных мне нужно? Это эффективно?

2. Есть ли недостающие данные?

3. Могут ли собранные данные ответить на вопрос?

Как учиться?

Машинное обучение - это разновидность искусственного интеллекта. Итак, вы копаетесь в совершенно новой концепции, и изучение конкретной темы может запутать вас вначале. Практика поможет вам понять.

Здесь я предоставлю лучший ресурс, на который вы можете следовать, чтобы изучить машинное обучение, о котором я лично узнал.

Учиться у

Я использовал Учебник по машинному обучению Python. Кроме этого, я следил за Kaggle, Fast.ai

Вы также можете учиться у

1. Google: Да… да, вы можете узнать это у Google.

2. Видео. Учащийся любит видеоконтент.

а) Машинное обучение, Эндрю Нг

б) Ускоренный курс по машинному обучению

в) Сирадж Раваль (канал Youtube)

3. Книги: Для всех, кто хочет учиться по книгам, я нашел обе приведенные ниже книги, которые интересны для начинающих, чтобы стать экспертами. Прочтите оба заказа на книги, чтобы узнать точные данные.

а) Введение в машинное обучение с помощью Python: руководство для специалистов по данным.

б) Практическое машинное обучение с помощью Scikit-Learn, Keras и Tensor.

Подводим итоги

Я надеюсь, что вам всем это интересно. Машинное обучение, несомненно, самая мощная технология. Нет никаких сомнений в том, что он и в будущем будет оставаться в заголовках газет. Эта статья предназначена для ознакомления читателя с некоторой ценной информацией о машинном обучении и раскрывает все фундаментальные темы, не будучи слишком трудоемкими.

Не стесняйтесь оставлять отзывы или сомнения.

На этом пока все! Следите за обновлениями - Спасибо.