ML
Что такое машинное обучение?
Понимание определения машинного обучения и примеры вариантов использования для новичков
В этой статье мы сначала рассмотрим некоторые формальные определения машинного обучения, а затем попытаемся понять, что это такое, а также некоторые технические термины. Мы также увидим, как машинное обучение связано с искусственным интеллектом, зачем его изучать и какие примеры мы используем в нашей повседневной жизни.
Машинное обучение учит компьютер делать то, что естественно для человека «учиться на собственном опыте»
Опыт означает предшествующие данные, которые представляют собой не что иное, как правильные примеры из прошлого. Данные — это ключ к машинному обучению. Так что опыт дается в виде данных компьютеру. Эти данные используются в качестве обучающей выборки компьютерной программой, которая является алгоритмом машинного обучения.
По словам Артура Сэмюэля:
«Это область исследования, которая дает компьютерам возможность учиться без явного программирования».
Алгоритмы машинного обучения используют вычислительные методы для «обучения» непосредственно из данных, не полагаясь на заранее определенное уравнение в качестве модели.
Вам не нужно указывать алгоритму, что делать. Вам просто нужно скормить алгоритму множество примеров, и из них алгоритм решает поставленную задачу.
Модель — это вещь, которая делает прогноз.
«Модель» в машинном обучении — это результат алгоритма машинного обучения, который сохраняется после запуска алгоритма на наборе обучающих данных.
Модель отображает то, что было «изучено» алгоритмом машинного обучения.
Модель можно рассматривать как автоматическую программу, созданную (обученную) алгоритмом машинного обучения для решения нашей задачи.
Том Митчелл описывает машинное обучение следующим образом:
«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, измеряемая P, улучшается с опытом E».
Например: Игра в шашки
E = опыт игры во многие игры в шашки
T = задача игры в шашки
P = вероятность того, что программа выиграет следующую игру.
Алгоритм машинного обучения пытается найти некоторое функциональное соответствие между входом и выходом. Основная идея состоит в том, чтобы сделать функциональное приближение между входом и выходом, хотя это может и не привести к уравнению.
Нам нужно выяснить, как вход связан с выходом. Для этого вам необходимо предоставить как входные данные, так и выходные данные модели. Модель извлекает приблизительную связь между входом и выходом.
Искусственный интеллект и машинное обучение
Искусственный интеллект связан с проектированием интеллекта в искусственных устройствах.
Искусственный интеллект — это очень широкая область, которая имеет дело с программами, которые работают на том же когнитивном уровне, что и человек.
Машинное обучение — это подмножество/ветвь искусственного интеллекта.
Машинное обучение — это подполе искусственного интеллекта, описывающее один из способов реализации программ искусственного интеллекта, который в основном рассматривает предыдущие примеры и учится на них.
Зачем изучать машинное обучение
По словам Питера Норвига,
Машинное обучение меняет ваше представление о проблеме.
В машинном обучении акцент смещается с математических наук на естественные науки.
Инженеры-программисты обучены мыслить логически и математически.
В машинном обучении данные, собранные в результате наблюдений, используются для проведения экспериментов. Статистика используется вместо логики для анализа результатов эксперимента.
Данные резко выросли за последние несколько лет и продолжают расти каждую секунду. В каждой области и отрасли доступны огромные данные, которые можно использовать для будущих прогнозов с использованием моделей машинного обучения.
Примеры использования машинного обучения в реальном мире
Некоторые из недавних достижений в области машинного обучения сделали машинное обучение очень успешным.
За последние годы машинное обучение добилось наибольшего прогресса в компьютерном зрении и распознавании изображений.
Машинное обучение также значительно улучшило автономное вождение, когда методы машинного обучения используются для определения того, где находятся светофоры, пешеходы и знаки остановки.
Сознательно или неосознанно, все мы используем машинное обучение в повседневной жизни.
Несколько примеров машинного обучения:
- Фильтр спама электронной почты, который помечает электронное письмо как спам или не является спамом и перемещает его в соответствующую папку.
- Голосовые/цифровые помощники, такие как Apple Siri, Amazon Alexa и Google Assistant
- Рекомендации по Netflix, Amazon, Spotify и другим подобным сервисам
- Распознавание изображений/обнаружение лиц для пометки фотографий и диагностики заболеваний
- Чат-боты обеспечивают онлайн-поддержку клиентов
- Выявление мошенничества в финансовом и банковском секторах
- Прогнозы дорожного движения с помощью служб GPS-навигации
- Самоуправляемые автомобили
Конечная нота
Постепенно мы все становимся зависимыми от машинного обучения. В этой статье дается обзор машинного обучения простыми словами, а также некоторые его приложения. Хотя машинное обучение широко используется во многих продуктах, не бойтесь создавать продукт без использования машинного обучения, так как все проблемы не могут быть решены с помощью машинного обучения.
