Да, что такое машинное обучение (сокращенно ML). Существует так много определений, и этот простой вопрос можно интерпретировать по-разному. Одно не должно отрицать другое. Так что с моей точки зрения….

ML — это использование прошлого опыта для прогнозирования будущего. Что еще интереснее, это делается автоматически, без указания «правил ведения боя». Как и Алан Тьюринг в фильме «Игра в имитацию», я вижу ML как ребенка, который растет с опытом.

Опыт, как мы все знаем, это то, что мы видим, осязаем, слышим и вообще чувствуем. Когда этот опыт преобразуется в цифровой формат и вводится в машину в виде данных, машина может расти так же, как растет ребенок с опытом. Вам может быть интересно, насколько это похоже с точки зрения скорости, эффективности и так далее. В свое время мы изучим этих и других искателей.

Что может ML?

Сохраняя существующую аналогию ML с ребенком. Поскольку ребенок может делать все, пока его учат, ML тоже может. За последние несколько десятилетий мы видели, как машинное обучение эффективно работает в таких отраслях, как рекомендательные системы, поиск, Siri, Alexa, игровой процесс, обнаружение лекарств, профилирование пользователей, распознавание изображений, беспилотные автомобили, финансы.

Давайте немного поговорим о технике

Я знаю, что дети не созданы для конкретных целей. Ребенок может все. Я имею в виду что угодно. МЛ тоже может. Однако на практике ML разрабатываются по разным категориям в зависимости от функций. Основные категории:

Обучение с учителем
Обучение без учителя
Обучение с подкреплением

Обучение с учителем просто учит ML, что делать. Дайте ему сценарии некоторых процессов и сообщите результат. Он изучает это и использует эти знания для моделирования будущих процессов. Применение этого в классификации и регрессии (подробнее чуть позже)

Обучение без присмотра требует предоставления машинному обучению большого количества информации. Не давая ему понять, что происходит. Самостоятельно, как и каждый ребенок, он попытается самостоятельно осмыслить информацию. Путем выявления интересных структур/паттернов из информации. Довольно круто, верно. Воспринимайте это как экстраполяцию ML.

Обучение с подкреплением означает, что нужно начинать где угодно и где угодно. Учитесь на ходу. Когда сделан правильный шаг, дайте положительную обратную связь. Если нет, то обратная связь. Я назову это системой вознаграждения.

Это моя первая статья, и я хотел бы закончить, поместив повторяющееся слово «опыт» в контекст. Опыт — это данные. Все, что могут чувствовать наши человеческие чувства, является данными, и машина тоже может их чувствовать. Обычно для этого используются датчики. Датчики света, камеры, звука, температуры, контакта, приближения/расстояния, давления являются примерами органов чувств машины.

Данные, полученные с их помощью, можно разделить на:

  • Временной, пространственный, пространственно-временной
  • Непрерывный, дискретный

Временные данные относятся к любым данным с интересными изменениями в зависимости от времени, в то время как Пространственные данные относятся к данным, в которых происходит волшебство из-за пространства, которое занимает интересующий объект. Пространственно-временные данные относятся к данным, свойства которых меняются в зависимости от пространства и времени.

Постоянные данные — это данные, которые можно измерить. Они падают с постоянным интервалом. Они могут нести десятичные дроби и могут меняться со временем даже с незначительными различиями (n десятичных), например. высота. Однако Дискретные данные поддаются подсчету, возможно только ограниченное количество, например. количество книг в сумке.

На этом пока все. В следующих нескольких статьях мы рассмотрим обучение с учителем. Это будет захватывающе!