«Машинное обучение — это наука о том, как заставить компьютеры учиться и действовать так же, как люди, и со временем улучшать свое обучение в автономном режиме, передавая им данные и информацию в виде наблюдений и реальных взаимодействий. [1]” Это можно сравнить с тем, как человек учится, например, тому, как покупать фрукты и овощи, просто видя, как вы это делаете, нет формулы или уникального способа определить, какие из них это лучший вариант, он зависит от многих переменных, которые необходимо учитывать каждый раз, когда вы выбираете или покупаете, но эти переменные могут быть разными каждый раз, поэтому необходимо, чтобы люди формировали свои знания на основе своего опыта и информации, которую можно наблюдать. путем изучения предыдущего опыта.
«Процесс обучения начинается с наблюдений или данных, таких как примеры, непосредственный опыт или инструкции, чтобы искать закономерности в данных и принимать лучшие решения в будущем на основе примеров, которые мы предоставляем. Основная цель состоит в том, чтобы позволить компьютерам автоматически обучаться без вмешательства или помощи человека и соответствующим образом корректировать действия[2]”. В нашем примере человек на своем первом опыте оценивает цвет и твердость фрукта (в зависимости от своего конкретного желания), чтобы принять наилучшее решение, в зависимости от своего результата он узнает, должен ли фрукт быть зеленее или мягче, или может определить новая важная характеристика для второго выбора и так далее, пока они не смогут каждый раз определять правильную комбинацию для наилучшего выбора.
Есть несколько методов машинного обучения:
Алгоритмы контролируемого машинного обучения, могут применять то, что было изучено в прошлом, к новым данным, используя помеченные примеры для прогнозирования будущих событий. Начиная с анализа известного набора обучающих данных, алгоритм обучения создает предполагаемую функцию для прогнозирования выходных значений. Система способна предоставить цели для любого нового ввода после достаточного обучения. Алгоритм обучения также может сравнивать свои выходные данные с правильными, предполагаемыми выходными данными и находить ошибки, чтобы соответствующим образом модифицировать модель. В нашем примере бабушка может привести пример того, как можно правильно выбрать группу фруктов и овощей с разными характеристиками (обучающий набор данных) за определенный период времени, чтобы вы могли научиться выбирать каждый раз, даже если характеристика меняется.
Алгоритмы неконтролируемого машинного обучения, используются, когда информация, используемая для обучения, не классифицируется и не помечается. Неконтролируемое обучение изучает, как системы могут вывести функцию для описания скрытой структуры из немаркированных данных. Система не определяет правильный вывод, но исследует данные и может делать выводы из наборов данных, чтобы описывать скрытые структуры из неразмеченных данных. На нашем примере никто не научит вас правильно выбирать фрукты и овощи, но вы можете научиться этому на опыте, пока не научитесь выбирать с каждым разом все лучше.
Алгоритмы полууправляемого машинного обучения находятся где-то посередине между контролируемым и неконтролируемым обучением, поскольку для обучения они используют как размеченные, так и неразмеченные данные — обычно небольшой объем размеченных данных и большой объем неразмеченных данных. . Системы, использующие этот метод, способны значительно повысить точность обучения. Обычно полууправляемое обучение выбирается, когда полученные помеченные данные требуют квалифицированных и соответствующих ресурсов для их обучения / обучения на них. В остальном получение неразмеченных данных, как правило, не требует дополнительных ресурсов. В нашем примере есть помощь в выборе фруктов, иногда вам помогает бабушка или сотрудники магазина, но в основном это ваш эксперимент.
Алгоритмы машинного обучения с подкреплением. это метод обучения, который взаимодействует с окружающей средой, производя действия и обнаруживая ошибки или вознаграждения. Поиск методом проб и ошибок и отсроченное вознаграждение являются наиболее важными характеристиками обучения с подкреплением. Этот метод позволяет машинам и программным агентам автоматически определять идеальное поведение в определенном контексте, чтобы максимизировать его производительность. Агенту требуется простая обратная связь с вознаграждением, чтобы узнать, какое действие лучше; это известно как сигнал подкрепления. В нашем примере, когда вы покупаете свой посох самостоятельно или с помощью, вы получаете отзыв от своей бабушки не только с ошибками, которые вы сделали, но и с некоторыми подсказками, которые могут помочь вам улучшить свой выбор.
Машинное обучение — это область искусственного интеллекта, в которой за последние годы были разработаны одни из самых невероятных технологических достижений. Это ключевая технология в разработке автономных систем: помимо беспилотных автомобилей машинное обучение также используется в совместных роботов и для других областей, таких каканализ фондового рынка, обнаружение мошенничества с кредитными картами, автоматизированные диагностические процедуры и обнаружение наземных мин в данных акустических датчиков и радаров. Это также называют причиной четвертой революции с момента появления Интернета, который изменил то, как мы живем и взаимодействуем, эти улучшения и возможности использования огромного количества хранимой информации обеспечат все эти разработки таким большим количеством данных, которые позволяют этой технологии поставил теперь и так далее невероятные решения от него.
Есть некоторые проблемы с машинным обучением, две самые большие, исторические (и текущие) проблемы в машинном обучении связаны с переоснащением (при котором модель демонстрирует смещение в отношении обучающих данных и не обобщает новые данные, и/или дисперсию то есть изучает случайные вещи при обучении на новых данных) и размерность (алгоритмы с большим количеством функций работают в более высоких / нескольких измерениях, что затрудняет понимание данных). В некоторых случаях основной проблемой был доступ к достаточно большому набору данных[3]. Тем не менее, сейчас доступно больше данных, чем было в недавней истории: 1. Есть некоторые конкретные области, где данных недостаточно, 2. Даже если данных достаточно, это не означает, что они предоставят все возможные случаи, поэтому нельзя гарантировать правильность выбора модели прогнозирования и 3. результаты или процесс их получения нелегко интерпретировать.
Наконец, есть несколько крупных компаний, которые развили свой бизнес, чтобы использовать преимущества машинного обучения, такие как Microsoft, Google, Facebook, IBM, Amazon и Apple. Суперкомпьютер IBM Watson по-прежнему является самым известным устройством для машинного обучения, которое в основном используется в медицинском и финансовом секторах, Facebook использует машинное обучение для распознавания изображений, Microsoft для системы распознавания речи Cortana, Apple для Siri и Google для обеих областей изображения. услуги и ранжирование в поисковых системах.
Вероятно, не пройдет много времени, прежде чем вы обнаружите, что эти технологии используются во всех приборах в вашем доме, в супермаркете и даже в правительственных учреждениях, мы с каждым днем становимся все ближе ко всем научно-фантастическим фильмам, которые когда-то казались нам невозможными. , надеюсь, теперь мы стали мудрее, чтобы знать, как его использовать.
С уважением!!!
[1] https://emerj.com/ai-glossary-terms/what-is-machine-learning/
