Хотя машинное обучение является лишь небольшой составляющей искусственного интеллекта, в настоящее время оно является одной из самых популярных технологий во всем мире.

Все крупные технологические компании, включая Google и Facebook, используют машинное обучение.

В этом посте вы узнаете, что такое машинное обучение, как оно работает, как его изучить и почему оно так популярно. машинное обучение. Точно так же, какое видео вы смотрите на YouTube, YouTube также рекомендует вам такое же видео. Все примеры, которые вы только что видели, — это примеры машинного обучения (ML).

Задача системы машинного обучения — взять входные данные, извлечь из них что-то, а затем что-то произвести.

При использовании машинного обучения компьютерная программа обучается, предоставляя входные данные о желаемом результате.

Современные научно-технические разработки шагают по миру. Просто вспомните десять лет назад и сравните это со своей жизнью сейчас. Вы заметите значительные изменения, которые произошли в результате появления новых технологических достижений в наших домах. Новые термины, такие как искусственный интеллект (ИИ), машинное обучение (МО), наука о данных и многие другие, также становятся для нас все более знакомыми.

Когда мы говорим об искусственном интеллекте или машинном обучении, первое, что приходит на ум, это машина или робот. Но многие из нас не знают, как регулярно используются основы машинного обучения.

Здесь вы найдете подробное введение в машинное обучение, а также несколько советов по изучению Python для машинного обучения.

Краткий обзор Машинного обучения

Трудно дать краткое и точное введение или определение машинного обучения. Определения, данные экспертами в предметной области, носят чрезмерно технический характер. Машинное обучение, например, определяется Стэнфордом как «наука о том, как заставить компьютеры работать без явного программирования». Именно с таких фундаментальных определений новички, желающие изучать машинное обучение с помощью Python, должны начать свое путешествие.

Машинное обучение — это способность машины учиться чему-либо самостоятельно, проще говоря. Огромные объемы данных загружаются в машину, которая затем учится интерпретировать, обрабатывать и анализировать данные с помощью алгоритмов машинного обучения для решения проблем в реальном мире. Возникает вопрос, как теперь работает машина.

Машинное обучение является частью Искусственного интеллекта, оно используется для обучения машины, и машину также учат тому, как она может делать выбор, используя свой прошлый опыт, когда это необходимо. Основная причина использования машинного обучения — заблаговременное изготовление комплектов ноутбуков без вмешательства человека. Обучаемая машина или приложение машинного обучения называется моделью машинного обучения. Версия машинного мастеринга представляет собой приложение для ноутбука, оно принимает входные данные, после чего учится на удовольствии и прогнозирует результат. Паттерн, предсказание, входные данные и прошлый опыт жизненно важны для исследования любой машины. Используя все это, машина создана для того, чтобы регулярно принимать решение (для принятия решения не используется человек) и может соответственно выдавать результат. В версии машинного освоения необработанная статистика дается как ввод, после чего версия машинного освоения знает эту вводную статистику, после чего соответственно прогнозирует вывод. Разберем на примере. Предположим, вам дали яблоко красного цвета, весом 20 грамм, формой сферической и высотой 5 см, как вход в версию ML, а также вы пишете заявку и сообщаете системе, изучающей версию, что если каждый раз, когда будет даваться любой вход, чей цвет красный, вес Если 20 грамм, форма может быть сферической, а вершина может быть пятисм, то имейте в виду, что это введите как яблоко и отобразите на выходе. Точно так же такие организации, как Google, YouTube и Facebook, предоставляют видео и поиск, который вы ищете, как вход в модель машинного обучения, а системное обучение преподается с помощью написания приложения, которое каждый раз, когда пользователь этого звонка ищет что-либо, Показ рекламы потребителю по этой причине и рекомендация фильмов по этой причине.

Несколько ключевых определений и терминов, связанных с машинным обучением, о которых вам следует знать:

Важным компонентом введения в машинное обучение является понимание основных терминов и определений. Вот список часто используемых слов вместе с их определениями:

Модель. Модель — это основа модели машинного обучения, которая обучается с использованием алгоритма машинного обучения. Задача алгоритма — отображать каждое решение, которое модель принимает на основе предоставленных входных данных, чтобы получить желаемый результат. .

Алгоритм машинного обучения представляет собой набор статистических методов и руководств, используемых для выявления закономерностей во входных данных, чтобы из них можно было извлечь ценную информацию. Основной структурой поддержки модели машинного обучения являются алгоритмы.

определяющая переменная: результат прогнозируется с использованием этой важной функции данных.

Выходная переменная или переменная отклика должна быть предсказана с использованием предсказуемой переменной (переменных).

Как работают алгоритмы для машинного обучения?

Алгоритмы используются для создания и обучения модели Машинное обучение (ML Model). Алгоритмы — это такие шаги, которые ML Model изучает с помощью средств наблюдения и работы в соответствии с одинаковым алгоритмом. Алгоритмы машинного обучения Хотя существует множество алгоритмов для обучения моделей машинного обучения, используются 3 алгоритма.

Давайте разберем эти три алгоритма подробно на простом языке.

  1. Алгоритм контролируемого обучения
  2. Un — алгоритм контролируемого обучения
  3. Алгоритм обучения с подкреплением

Алгоритм контролируемого обучения

Используя алгоритм контролируемого обучения, некоторые наборы данных (например, цвет яблока красный, вес 20 грамм, круглая форма и высота 5 см) передаются компьютерной программе, т.е. модели ML. Используя эти наборы данных, выдается компьютерная программа (модель ML). Предсказывает.

Модель ML имеет два разных типа набора данных: данные объектов и данные меток. Используя эти данные, модель ML учится прогнозировать вывод с помощью алгоритмов, давайте разберемся на примере.

Предположим, вам нужно научить модель машинного обучения распознавать манго. Поэтому для этого вам нужно использовать алгоритм обучения с учителем. Теперь вы должны сообщить модели ML, как выглядит манго, для этого вы передадите Feature Data модели ML, например цвет манго: круглый, желтый и сладкий вкус. Наряду с этим, в модели ML вы должны давать данные метки, как если бы на каком-либо входе было что-то подобное, тогда его вывод будет общим, общим является данные метки.

Характеристики → Зеленый цвет, квадратная форма и острый вкус.

Данные метки → Обычный.

Теперь, когда вы предоставили данные признаков ML Модель с использованием контролируемого алгоритма обучения, было сказано, что если цвет чего-либо на входе будет казаться желтым, иметь круглую форму и сладкий вкус, то предсказание вывода будет общим. . Вы использовали Feature Data и Label Data для обучения этой системе машинного обучения, поэтому этот алгоритм называется алгоритмом контролируемого обучения.

Un — контролируемый алгоритм обучения

Раньше мы предоставляли данные функций и данные меток модели машинного обучения в алгоритме обучения с учителем, но это не относится к алгоритму обучения без учителя, в этом случае мы не даем данные функций и данные меток модели машинного обучения. В этом алгоритме системе машинного обучения отдаются только входные данные, соответственно модель ML предсказывает выходные данные. Давайте используем пример, чтобы лучше понять это.

Предположим, вы предоставили эти два типа данных ML Model Football и Cricket Ball, теперь алгоритм обучения без учителя будет учить ML Model тому, что мяч большего размера помещается в группу A, а мяч меньшего размера будет сгруппированы. Поместите его в B. Если вы дали данные о 100 мячах в модели ML, из которых 50 мячей большого размера и 50 мячей для крикета маленького размера, то теперь модель ML поместит эти два мяча в две разные группы. .

В приведенном выше примере вы предоставили модели ML только входные данные и, используя алгоритм обучения без учителя, научили модель ML прогнозировать выходные данные, понимая разницу между мячами для футбола и крикета. При этом вы не передавали данные функций и данные меток модели ML, поэтому это называется алгоритмом обучения без учителя.

Алгоритм обучения с подкреплением

В алгоритме обучения с подкреплением модель машинного обучения обучается посредством обратной связи тому, как распознавать любой ввод и предсказывать правильный вывод.

Пример:

Предположим, вы ввели данные в модель машинного обучения, такую ​​как изображение собаки. Если модель машинного обучения не распознает изображение этой собаки, вы дадите ей обратную связь, например, вы сообщите об этом с помощью подкрепления. Алгоритм того, что теперь такое изображение также будет поступать в виде входных данных, он должен предсказать собаку на выходе. Теперь любое следующее изображение похоже на изображение предыдущей собаки, и эта модель машинного обучения будет предсказывать собаку на выходе.

Другие алгоритмы машинного обучения.

  • Линейная регрессия
  • K-среднее
  • Наивный Байес
  • КНН
  • RandomForest
  • Древо решений

История машинного обучения

Сегодня, несмотря на то, что машинное обучение сильно продвинулось вперед, сегодня, 71 год назад, идея машинного обучения пришла в голову британскому математику Алану Тьюрингу.

  • В течение 12 месяцев 1950 года Алан Тьюринг пришел к выводу, что машины также могут воспринимать себя как люди, после чего он создал игру «Имитация», в которой он создал людей и ноутбук в трех разных комнатах, а первый человек превратился в форме текстового сообщения. Раньше задавали вопросы, теперь и робот, и человек отвечали на запрошенный запрос с помощью более раннего человека, но теперь из-за того, что все трое находятся в разных комнатах, поэтому запрос человек раньше спрашивал, теперь уже не в состоянии понять, стало ли решение дано с помощью человека или ноутбука. Алан Тьюринг считал, что если первый человек не мог понять, стал ли второй человек предоставлять решение или ноутбук, то можно было бы доказать, что компьютерные системы также могут воспринимать как человек.
  • В 12 месяцев 1952 года компьютерный ученый Артур Сэмюэл создал игру на предприятии IBM под названием Seven Checkers, в которой эта игра превратилась в повышение уровня обучения посредством самообучения.
  • В 1958 году программист Франк Розенблатт создал алгоритм под названием Perceptron, который использовался для захвата и распознавания закономерностей. Сегодняшняя блокировка отпечатков пальцев и блокировка лица работают по этому принципу.
  • В 1979 году несколько человек из Стэнфордского университета вместе сделали робота по имени Стэнфордская тележка. Его особенность заключалась в том, что он мог менять свой путь, обнаруживая все, что встречалось на его пути.
  • В 1985 году программист по имени Терри Сейновски создал программу под названием NetTalk, особенностью которой было то, что эта программа могла сама изучать и произносить английские слова. Со временем она претерпела множество изменений, и сегодня мы знаем ее как Siri и Google Assistance.

Приложения машинного обучения

1 . Машинное обучение используется для распознавания объектов, людей, мест и изображений. Для распознавания изображений используется технология распознавания лиц.

2- Он используется для голосового поиска, при котором пользователь может получить информацию о чем угодно, говоря в микрофон. Используя машинное обучение, основные поисковые системы, такие как Google, предоставляют пользователям возможность голосового поиска.

3- Используется, чтобы узнать дорожную ситуацию. Давайте разберемся с этим на примере.

Если пользователь хочет поехать в новое место, то он использует карту Google, которая наряду с указанием правильного маршрута также предоставляет информацию о дорожных условиях, что возможно только благодаря машинному обучению.

4.- Он используется такими компаниями, как Amazon и Netflix, занимающимися развлечениями и электронной коммерцией, для предоставления пользователю выходных данных в обмен на вводимые.

Например, всякий раз, когда пользователь ищет продукт на Amazon, он видит множество продуктов в результатах поиска.

Это стало возможным только благодаря машинному обучению, при котором пользователь предоставлял Amazon входные данные, а взамен пользователь получал выходные данные.

  1. Медицинская наука использует машинное обучение для выявления заболеваний.

Говоря простым языком, машинное обучение используется в медицинской науке для выявления заболеваний, с помощью которых можно выявить заболевания пациента и вылечить и спасти это заболевание.

6- Машинное обучение используется для прогнозирования акций на фондовом рынке, какая акция будет иметь меньшую стоимость, а какая большую, что снижает вероятность убытков для инвестора. Хотя эта цифра не совсем точна, но инвестор определенно получает представление.

7- Используется для выявления онлайн-мошенничества, с помощью которого и данные пользователя, и деньги остаются в безопасности.

Вакансии в области машинного обучения в Индии с самой высокой зарплатой

  1. Глава отдела аналитики

В обязанности этой должности старшего уровня входит выполнение функций наставника для сотрудников отделов анализа данных и хранения данных. Задача организации технологических, финансовых и человеческих ресурсов для удовлетворения потребностей бизнеса ложится на директора по аналитике. Работодатель директора по данным дает директору по аналитике инструкции о том, как использовать данные для достижения наилучшей производительности. Эта управленческая и руководящая должность в значительной степени выигрывает от аспектов стратегии и командной работы.

Зарплата

3 719 375 — это типичная зарплата директора отдела аналитики в Индии.

  1. Главный исследователь

Главный научный сотрудник проводит исследования в лабораториях и разрабатывает творческие важные проекты по науке о данных, что делает его одной из самых высокооплачиваемых должностей в области машинного обучения. Убедиться, что у команды есть ресурсы, необходимые для выполнения поставленных задач и сделать это эффективно, — еще одна обязанность этого главного научного сотрудника. В основные обязанности этой должности входит руководство кросс-функциональными командами и координация с заинтересованными сторонами. Ведущие ученые получают одну из самых высокооплачиваемых рабочих мест в области машинного обучения в Индии из-за чрезмерного и растущего спроса.

Зарплата

В Индии главный ученый получает среднюю зарплату в размере 1 622 900.

  1. Эксперт по вычислительной технике

Как ученый-компьютерщик, вы создаете и программируете программное обеспечение для решения проблем. Другими словами, эта техническая позиция предполагает создание веб-сайтов и мобильных приложений. Чтобы обеспечить взаимодействие между людьми и компьютерами, а также между компьютерами, ученые-компьютерщики также создают и проверяют математические модели. Одной из лучших работ по машинному обучению в Индии всегда была эта, а работа с деньгами, как собственными, так и чужими, — это мечта…….читать дальше