Это модное слово!
Это самый популярный термин в технических кругах.
«Это будущее!», «У него везде есть приложения», «Теперь мы внедрили машинное обучение в Siri»
Что именно!?
Не волнуйтесь, это не один из тех постов, наполненных технической чепухой, это действительно просто для понимания, это объяснение настолько просто, насколько это возможно!
Итак, вперед!
Первое слово, которое приходит вам на ум, когда я говорю, машинное обучение?
A.I
Конечно!
Мы все знаем, что такое ИИ,
По сути, это область информатики, которая делает упор на создание интеллектуальных машин, которые работают и реагируют так же, как люди.
Чтобы объяснить это, если компьютер принимает разумное решение, он разумен.
Очень распространенным примером ИИ может быть автопилот!
Нью-Йорк Таймс сообщает, что средний полет самолета Boeing включает всего семь минут полета под управлением человека, которые обычно отводятся только на взлет и посадку.
Теперь это делается путем определения набора правил.
Как, скажем, в футболе вы бы создали вратаря на основе определенных правил, основные правила, которые вы должны были бы установить:
- Не позволяйте мячу пройти внутрь стойки ворот.
2. Как только игрок приблизится, предскажите путь мяча, чтобы заблокировать.
3. При ударе ногой или передачей передавайте его только игрокам своей команды.
В приведенном выше случае можно определить ограниченный набор правил для создания оптимизированного вратаря. Но установка правил не является практичным решением для каждого сценария, иногда вам может потребоваться установить тысячи правил для достижения вашей цели.
Здесь на помощь приходит машинное обучение.
Что отличает машинное обучение от других ИИ, так это его обучающая часть. Здесь мы не устанавливаем правила, а скорее заставляем машину учиться правилам. Подобно тому, как люди учатся, мы получаем опыт и извлекаем наши знания или, в данном случае, «правила» из опыта.
В популярном сериале «Силиконовая долина» разработано приложение, которое распознает хот-доги.
Теперь, чтобы приложение могло распознавать хот-доги, оно должно узнать, что отличает хот-доги от других продуктов питания.
То, как мы обучаем систему, заключается в том, что мы вводим в нее множество данных, в данном случае изображений. Система изучает правила, которые отличают хот-доги от других продуктов питания. Да, в конце концов, все сводится к правилам, так что когда-то у них есть правила. Каждый раз, когда система видит изображение, она проходит по правилам и проверяет, хот-дог это или нет.
Значит, правила существуют, то почему бы не определить их самим?
Потому что для человека не просто практично вычислить каждое возможное правило, а затем реализовать его.
Так что это будет работать и для любого другого объекта, например, если мы хотим, чтобы приложение распознавало стулья. Затем мы просто вводим множество данных о стульях вместо хот-догов.
Смысл?
Машинное обучение — это не волшебство — Джанакирам
Системы машинного обучения будут более или менее следовать одному и тому же процессу.
Предоставленный результат будет изучен еще раз, чтобы сделать его более точным, существующая система будет обновлена, чтобы следующий результат был лучше предыдущего.
Видите? ОБУЧЕНИЕ!
Вот тут-то и появляется часть Siri, Siri становится лучше, чем больше вы с ней общаетесь!
Процедура остается прежней
РЕЗУЛЬТАТ -> ИЗУЧЕНИЕ -> ОБНОВЛЕНИЕ, а затем снова ИЗУЧЕНИЕ!
Используемый подход может быть чем угодно, например, изучением дерева решений, изучением ассоциативных правил, глубоким обучением или нейронной сетью, которая имитирует человеческий мозг.
Каждая итерация улучшает машину, да, следовательно, она также сокращает нашу работу и к тому же делает ее лучше с каждым разом.
Вы еще не беспокоитесь о своей работе? :П
Давай не туда.
Дело в том, что реализация этого может быть не для всех, но каждый может определенно понять, как это работает самым простым способом.
Если вы больше не чувствуете себя невежественным в отношении машинного обучения, я достиг цели этого поста!
