Машинное обучение 101

Содержание

• Что такое машинное обучение?
• Что такое традиционное программирование?
• Как машинное обучение отличается
• Важность машинного обучения
• Алгоритмы и процессы машинного обучения
• Влияние машинного обучения на бизнес
• Некоторые случаи практического использования
• Заключение

Источник: Stockernumber2 / Dreamstime.com

вынос:

Машинное обучение приобретает все большее значение. Вот основы, чтобы помочь понять, что он делает и как его использовать.

В последние годы термин «машинное обучение» появлялся в различных дискуссиях и форумах, но что именно это означает? Машинное обучение можно определить как метод анализа данных, основанный на распознавании образов и вычислительном обучении. Он состоит из различных алгоритмов, таких как нейронные сети, деревья решений, байесовские сети и т. Д. Машинное обучение использует эти алгоритмы для изучения данных и восстановления скрытых данных из данных. Процесс обучения является итеративным, поэтому новые данные также обрабатываются без какого-либо контроля. Наука научиться извлекать уроки из предыдущих данных и использовать их для будущих данных не нова, но приобретает все большую популярность.

Что такое машинное обучение?

Хотя некоторые люди считают, что машинное обучение ничем не лучше традиционных методов компьютерного программирования, которые все еще используются, многие считают машинное обучение революцией в области искусственного интеллекта (ИИ). Они считают, что с помощью этой технологии машины смогут учиться и делать что-то на собственном опыте, а не просто следовать человеческим инструкциям.

Чтобы лучше понять значение машинного обучения, мы можем сравнить его с традиционным компьютерным программированием. В следующих разделах будет более подробно обсуждаться машинное обучение и его отличие от традиционного программирования. (Некоторые плюсы и минусы машинного обучения см. В Обещаниях и подводных камнях машинного обучения.)

Что такое традиционное программирование?

Когда мы программируем компьютер, то на самом деле мы даем ему указания на понятном ему языке. Затем, когда мы даем ему ввод, он выдает вывод, основываясь на инструкциях, которые мы ему дали.

Теперь давайте представим, что вы предоставили информацию для подачи заявки на кредитную карту. При обработке вашего ввода, система будет просматривать все важные части вашего приложения, принимать необходимую информацию и обрабатывать ее. После этого он выдаст вывод о принятии или отклонении на основе программы, которая была ему передана.

Как машинное обучение отличается

Если вы используете машинное обучение вместо традиционных методов программирования в сценарии с кредитной картой, результат будет несколько другим. Результат будет фактически основан на входных данных, и система получит опыт при обработке этих входных данных. Там не будет никакой специальной программы для этого. По мере того, как он приобретает все больше и больше опыта, его производительность будет улучшаться со временем.

Таким образом, машинное обучение на самом деле учится, анализируя большое количество файлов данных, созданных при каждом использовании системы. Анализируя данные, он меняет свое программирование в соответствии с новыми требованиями. Это также приводит к повышению его точности. Можно также сказать, что машинное обучение похоже на линейную регрессию, где переменные и параметры изменяются, чтобы лучше соответствовать предоставленным данным.

В этом методе алгоритмы включены с помеченными примерами, где помеченные данные означают, что данным дано описание. Система машинного обучения будет получать как входы, так и соответствующие выходы. Теперь система может получить больше опыта, сравнивая фактические выходные данные с правильными выходными данными, чтобы найти ошибки.

После анализа выходных данных и определения ошибок система соответствующим образом изменит свое программирование. Система может использовать разные методы для прогнозирования метки на немаркированных данных. Этот метод используется для прогнозирования будущих событий на основе прошлых данных.

Этот метод машинного обучения используется в таких местах, как игры, автомобильная навигация и робототехника. В этом методе система учится методом проб и ошибок. Основная цель этого метода - определить результат за наименьшее количество времени, что можно сделать, следуя подходящей политике.

Важность машинного обучения

Важность машинного обучения растет день ото дня по тем же причинам, которые сделали концепцию интеллектуального анализа данных столь важной. Эти причины включают дешевую и мощную вычислительную мощность, большие объемы данных, создаваемые каждый день, и недорогие и высокопроизводительные методы хранения данных. Эти факторы гарантируют, что мощные и точные модели могут быть созданы очень быстро, что может быть использовано при анализе больших объемов данных в больших объемах, чтобы получить более качественные и высокоточные результаты. Это означает, что лучшие модели можно использовать для принятия лучших корпоративных и деловых решений за меньшее время и без каких-либо человеческих усилий.

Одним из способов быстрого создания таких точных моделей является автоматическое создание моделей. Эта модель должна быть достаточно динамичной, чтобы не отставать от меняющихся времен. Хотя люди обычно могут создавать две модели в неделю, машинное обучение может создавать тысячи точных моделей путем быстрого анализа данных. Вот почему машинное обучение так важно для бизнеса и других областях.

Алгоритмы и процессы машинного обучения

Алгоритмы машинного обучения помогают максимально эффективно использовать большие данные, помогая системе быстро анализировать данные и получать точные результаты. Эти алгоритмы помогают в создании модели, которая может быть использована для принятия деловых решений. Некоторыми типами алгоритмов являются нейронные сети, случайные леса, кластеризация k-средних, самоорганизующиеся карты и отображение ближайших соседей.

Однако использование алгоритмов это еще не все. Лучшая модель может быть изготовлена ​​только в соответствии с подходящим процессом. Примерами таких процессов являются комплексное управление данными, интерактивное исследование данных и визуализация результатов, найденных моделью.

Влияние машинного обучения на бизнес

Влияние машинного обучения на бизнес огромно. Машинное обучение открыло новые возможности для бизнеса. Это помогло в создании точных моделей, что, в свою очередь, помогло быстро принимать лучшие и разумные решения.

Некоторые случаи практического использования

Машинное обучение используется во многих местах. Системы рекомендаций используют машинное обучение, чтобы давать пользователям рекомендации в режиме реального времени на основе их предпочтений и текущих рыночных моделей.

Promedas, которое является медицинским программным обеспечением или «настольным врачом», представляет собой программу, основанную на машинном обучении, которая использует сотни лет медицинских знаний, чтобы помочь врачам в выявлении и диагностике заболеваний. Он использует данные, собранные из предыдущих записей о заболеваемости, для выявления заболеваний у пациентов. Это помогает быстрее выявлять и лечить болезни.

Amazon автоматизировала предоставление и отзыв доступа своих сотрудников с помощью компьютерного алгоритма, который может прогнозировать доступ к ресурсам для каждого сотрудника. Для этого компьютерный алгоритм использует записи для анализа рисков и степени надежности сотрудника в целом.

Алгоритмы машинного обучения также используются Корнельским университетом для обнаружения китов в океане с помощью звуковых записей, чтобы корабли могли избежать китов. Алгоритм анализирует данные о миграции китов (куда и когда), чтобы определить путь, по которому должен идти корабль, чтобы избежать китов. (Чтобы узнать больше о практическом использовании машинного обучения, см. Машинное обучение и Hadoop в Обнаружении мошенничества следующего поколения.)

Заключение

Поскольку данные растут день ото дня, важность эффективной обработки также растет. Для этого были разработаны методы машинного обучения, которые помогают системе принимать разумные решения при минимальном участии людей. Нынешнее влияние этой технологии на ИТ-сектор было огромным, поэтому легко представить, что ее значение будет только расти в будущем.