Что такое машинное обучение?

Машинное обучение — это область искусственного интеллекта, в которой компьютеры получают возможность учиться и выполнять задачи. Здесь способы обучения программируются, затем компьютер получает опыт обучения и разрабатывает методы для выполнения необходимых задач.

По словам Тома М. Митчелла (профессора Университета Э. Фредкина в Университете Карнеги-Меллона): «Говорят, что компьютерная программа учится на опыте E в отношении некоторого класса задач T и показателя производительности P, если ее производительность при выполнении задач в T , измеряемый P, улучшается с опытом E».

Название «Машинное обучение» было придумано Артуром Сэмюэлем в 1959 году.

Почему машинное обучение?

Прежде чем понять, почему мы используем машинное обучение, давайте кратко рассмотрим его предшественника — экспертные системы. В области ИИ экспертная система — это система, в которой решения принимаются на основе фактов и правил.

Например, возьмем задачу диагностики лихорадки денге.

Здесь фактами являются такие симптомы, как

1. Внезапная лихорадка

2. Сильная головная боль

3. Боль за глазами

4. Боли в суставах

5. Рвота

6. Кожная сыпь

Врач может определить, есть ли у человека лихорадка денге, на основе приведенных выше фактов и с помощью нескольких правил.

Допустим, у пациента частая рвота, но нет других симптомов, тогда врач может подтвердить, что у пациента нет денге, но у другого пациента сильная головная боль, внезапная лихорадка, боли в суставах, частая рвота, тогда врач может подтвердить, что у пациента имеет денге.

Приведенный выше диагноз может быть выражен в компьютерной программе с помощью нескольких операторов If Else.

при кожной сыпи и лихорадке, головной боли и рвоте:

возврат «у него лихорадка денге»

иначе, если сыпь, головная боль и холодный кашель:

возвратить "нет лихорадки денге"

Экспертная система состоит из двух частей:

  1. База знаний.

База знаний – это хранилище сложных структурированных данных.

2. Механизм логических выводов.

Подсистема логического вывода – это система, которая использует информацию из базы знаний, применяет некоторые правила и возвращает результат.

Экспертные системы могут быть реализованы в местах, где меньше данных, выразимых правил, как в приведенном выше примере диагностики лихорадки, обнаружения объектов, большинства приложений бинарной классификации.

Но когда правила невыразимы или неизвестны, внедрять экспертные системы неэффективно. Например, определение эмоциональных качеств человека, таких как честность, эмпатия или диагностика неизвестного заболевания. Для решения этой проблемы на помощь приходит машинное обучение.

Ниже мы увидим шесть органов/частей, из которых состоит система машинного обучения.

Шесть органов машинного обучения

Данные:

Данные есть везде, они доступны в виде текста, изображения, видео, аудио, структурированы в виде таблицы. Для машинного обучения системе нужны данные в числовом формате, вышеупомянутые типы данных должны быть введены в систему в числовом формате.

В случае обучения с учителем данные должны состоять из двух частей: ввода и ожидаемого результата, тогда как при обучении без учителя достаточно только ввода, чтобы машина вычислила вывод.

Но 99% успеха исходит от контролируемого обучения.

Задания:

С данными, поступающими в машину в вышеупомянутом формате, пользователь может определить задачи в отношении данных.

Например, если у нас есть данные о продукте, такие как описание продукта, отзывы, цены, пользователь может попросить машину дать ответы на часто задаваемые вопросы пользователей.

Модели:

Модели — это функции, которые определяет Машина. Эти модели используются для выполнения определенных пользователем задач.

Здесь программист предоставляет машинам несколько функций, машина применяет полученные данные к моделям и определяет подходящую модель для выполнения задач.

Функции потери:

Функции потерь используются для определения того, насколько хороша или плоха данная модель или насколько хороши или плохи параметры функций.

Допустим, программисты предоставляют машине несколько моделей, используя функцию потерь, машина может определить качество предоставленных моделей.

Алгоритмы обучения:

Алгоритмы обучения помогают находить параметры функций, дающие минимальные потери.

Машина может использовать доступные алгоритмы обучения для определения параметров функции с минимальными потерями.

Эта часть машинного обучения позволяет программистам экспериментировать с несколькими функциями, попросив машину определить параметр и потери и использовать функцию, параметры которой имеют минимальные потери среди других предоставленных функций.

Оценка:

Эта часть машинного обучения заключается в определении точности используемой модели.

Допустим, задача машины состоит в том, чтобы найти название объекта в заданном наборе изображений. Точность модели можно определить, рассчитав среднее количество правильных прогнозов по общему количеству прогнозов.

Точность = количество правильных прогнозов / общее количество прогнозов.

Оценка выполняется с использованием тестовых данных, которые имеют тот же формат, что и обучающие данные, но значения другие.

Интеллект-карта шести органов