Эта статья поможет вам понять, как машинное обучение используется для решения задач.
Наш вид сделал больше инноваций в технологии за последние 500 лет, чем за всю остальную историю человечества. Одной вещью, которую мы постоянно делали, была автоматизация вещей. Мы потратили миллион лет на изготовление инструментов из камней и бросали их в хищников, чтобы защитить себя. Теперь у нас есть пушки, которые будут создавать тягу для толкания металлических предметов, мы автоматизировали процесс отбрасывания предметов на высоких скоростях. Точно так же у нас есть транспорт и обрабатывающая промышленность, которые выросли благодаря автоматизации и изменили наш образ жизни.
Почти все сборки инструментов глупы, имеют ограниченный интеллект и нуждаются в человеческом вмешательстве. Мы подумали, почему бы нам не автоматизировать это. Почему мы не можем разработать интеллект для машин? Затем пришло поле искусственного интеллекта. Например, мы используем велосипеды как средство передвижения из одного места в другое. Разве мы не можем научить велосипед кататься на нем и просто сидеть на нем?
Люди понимают сложную логику и принимают решения, обрабатывая знания, полученные с помощью логики. Мы можем научить машину понимать знания, как это делаем мы, и применять к ним логику для принятия решений.
Люди в основном следят за закономерностями во всем и применяют наши знания из прошлых знаний. Таким образом, один из способов достижения искусственного интеллекта — помочь машинам распознавать закономерности, обеспечивать логику. Этот способ называется машинным обучением, мы передаем данные машине, заставляем их учиться и применяем их для принятия решений.
Теперь, как нам распознавать закономерности? - Математика. Машины могут делать числа и математику. Поэтому мы разработали математические модели, чтобы получать информацию из чисел и применять к ним логику. Например, каждый раз, когда в городе 40-градусная температура и влажность 60–70, шел дождь. Есть шаблон, поэтому машина может сказать вам, будет дождь или нет, основываясь на текущих наблюдениях. Обычно машина находит связь между данными и результатом, представляет ее математически, предсказывает предстоящее событие. Ну вот, вы только что автоматизировали задачу метеоролога.
Точно так же мы можем передавать данные водителей в режиме реального времени и обучать модели прогнозировать следующий шаг и действовать соответственно. В следующем блоге мы обсудим типы моделей в машинном обучении и то, как модели подходят для решения задач.
Хорошего дня!
Свяжитесь со мной по адресу [email protected]
