Привет!
Если вы нажали на эту историю, это потому, что вы хотите узнать или расширить свои знания о машинном обучении (ML), возможно, потому что вы любопытный человек, у вас есть родственник работает на этой территории или просто наткнулся на эту историю. M.L - это метод изучения данных, который меняет наши представления о границах технологий. Он наверняка создает какой-то пух, он везде: радио, газеты, Интернет!

Независимо от вашего возраста и области знаний, прочитав эту историю, вы поймете общую картину этой темы, что такое машинное обучение? роботы займут нашу работу? мы действительно в безопасности? придерживайся меня и читай внимательно.

Искусственный интеллект

Раннее исследование AI в 1950-х годах касалось таких тем, как решение проблем и символические методы. В 1960-х годах министерство обороны США заинтересовалось этим видом работы и начало обучать компьютеры имитировать базовые человеческие рассуждения. Например, Агентство перспективных оборонных исследовательских проектов (DARPA) завершило проекты по картированию улиц в 1970-х годах.
Вот формальное определение AI от SAAS:

Искусственный интеллект (AI) позволяет машинам учиться на собственном опыте, приспосабливаться к новым входным данным и выполнять задачи, похожие на человеческие. Компьютеры можно обучить выполнять определенные задачи, обрабатывая большие объемы данных и распознавая закономерности в данных.

Да вы только что прочитали. Компьютеры можно научить обладать более простой версией человеческого интеллекта.
Вот некоторые ИИ приложений, мы сосредоточимся на Машинном обучении.

Машинное обучение

Благодаря новым вычислительным технологиям, машинное обучение возникло на основе распознавания образов и теории, согласно которой компьютеры могут обучаться, не будучи запрограммированными для выполнения определенных задач. Они учатся на предыдущих вычислениях для получения надежных, повторяемых решений и результатов.
Вот формальное определение M.L от SAAS:

Машинное обучение (M.L) - это метод анализа данных, который автоматизирует построение аналитических моделей. Это ветвь «искусственного интеллекта, основанная на идее, что системы могут учиться на данных, выявлять закономерности и принимать решения с минимальным вмешательством человека. »

Таким образом, машинное обучение - это метод, используемый компьютерами для обучения на основе данных и расчетов с помощью математических алгоритмов (причудливое слово для математических операций). Как мы уже говорили ранее, машинное обучение повсюду, вот некоторые примеры их применения:

  • Предложения онлайн-рекомендаций, например, от Amazon и Netflix? Приложения машинного обучения для повседневной жизни.
  • Зная, что клиенты говорят о вас в Твиттере? Машинное обучение в сочетании с созданием лингвистических правил.
  • Обнаружение мошенничества? Одно из наиболее очевидных и важных применений в современном мире.

Подумайте о маленьком ребенке: он начинает с того, что ничего не знает о мире, который его окружает, нет никаких представлений о математике, религии или политике, это как чистая страница.

Благодаря инструкциям их родителей и учителей дети узнают, как устроено их окружение и их место в обществе. То же самое происходит с машинами, но гораздо проще. Их можно научить учиться.

Почему это важно?

Как вид, у людей есть определенные ограничения, которые были устранены использованием инструментов, огнем готовит мясо, камнями рубит деревья и компьютеры обрабатывают данные, например, растущие объемы и разнообразие доступных данных, вычислительная обработка, которая более дешевое, мощное и доступное хранилище данных.

Все это означает, что можно быстро и автоматически создавать модели, которые могут анализировать более крупные и сложные данные и предоставлять более быстрые и точные результаты. Пусть поработают тяжелые машины!

Мы в безопасности?

Нет причин для беспокойства, человечество на протяжении тысячелетий борется за то, чтобы полностью понять человеческий мозг и эмоции, и тем не менее мы далеки от окончательного ответа.

Существует почти 0% вероятностей того, что машина станет разумной и уничтожит человечество.

Машинное обучение - это еще один инструмент человечества, подобный молотку или свече. Крупные компании и даже правительство доверяют машинам, наши творения призваны помочь, а не навредить.

Методы машинного обучения

Итак, мы перешли от искусственного интеллекта к машинному обучению, вот краткое изложение:

Искусственный интеллект (ИИ) - позволяет машинам учиться на собственном опыте, приспосабливаться к новым входным данным и выполнять задачи, подобные человеческим.

Машинное обучение (M.L) - это метод, используемый компьютерами для обучения на основе данных и расчетов с использованием математических алгоритмов.

После этого короткого напоминания я задам вам следующий вопрос: когда вы учились в школе, университете или даже на работе, у вас был метод обучения?

Некоторые люди предпочитают читать книги, другие предпочитают иметь учителя, третьи просто любят пробовать, терпеть неудачи и учиться. У каждого есть свой уникальный способ обучения, это еще одна вещь, которая отличает нас от машин.
У машин есть фиксированные методы обучения, для облегчения понимания этой темы мы воспользуемся следующим случаем .

Машина учится печь торт.

Обучение с учителем:

Машины обучаются с использованием помеченных примеров, таких как ввод, для которого известен желаемый результат. Например, часть оборудования может иметь точки данных, помеченные как «F» (сбой) или «R» (запуски). Алгоритм обучения получает набор входных данных вместе с соответствующими правильными выходными данными, и алгоритм обучается, сравнивая свой фактический выход с правильными выходными данными, чтобы найти ошибки. Затем он соответствующим образом модифицирует модель.

Машины знают, что в результате получается торт, и ему подаются ингредиенты.

Зная рецепт выпечки торта, машина выполняет этот процесс, чтобы найти ошибки в рецепте и исправить их, чтобы получить лучшую версию рецепта.

Обучение без учителя:

Используется для данных, не имеющих исторических меток. Системе не сообщается «правильный ответ». Машина должна выяснить, что показано. Цель состоит в том, чтобы изучить данные и найти в них некоторую структуру.

Машина знает, что в результате получился торт, но никаких ингредиентов ему не дают.

Используя методы кластеризации и сортировки, машина узнает, какие ингредиенты ей нужны, и рецепт выпечки торта.

Полуавтоматическое обучение:

Используется для тех же приложений, что и обучение с учителем. Но для обучения используются как помеченные, так и немаркированные данные - обычно небольшой объем помеченных данных с большим объемом немаркированных данных (поскольку немаркированные данные дешевле и требуют меньше усилий для сбора).

Машина знает, что в результате получился торт, но не все ингредиенты добавлены в него.

Используя кластеризацию, методы сортировки и заданный рецепт, машина узнает, какие ингредиенты ей нужны, одновременно находя ошибки в рецепте и исправляя их, чтобы получить лучшую версию рецепта.

Обучение с подкреплением:

часто используется для робототехники, игр и навигации. При обучении с подкреплением алгоритм методом проб и ошибок обнаруживает, какие действия приносят наибольшую выгоду.

Машины знают, что в результате получается торт, и ему подаются ингредиенты.

Пытаясь, терпя неудачи и извлекая уроки из этих неудач, машина может узнать, как пекут торт, и рецепт его приготовления.

Наш мир меняется, понимание такой увлекательной и сложной темы, как Машинное обучение, является большим достижением, его теория по-прежнему довольно проста:
Сделайте расчеты способными учиться сами по себе. Теперь вы поймете, о чем говорит ваш родственник или та газета!

Технологии формируют нашу историю, давайте будем ее частью.