Зміст
- Що таке машинне навчання?
- Що таке традиційне програмування?
- Як відрізняється машинне навчання
- Важливість машинного навчання
- Алгоритми та процеси машинного навчання
- Вплив машинного навчання на бізнес
- Деякі випадки практичного використання
- Висновок
Джерело: Stockernumber2 / Dreamstime.com
Винос:
Машинне навчання постійно зростає. Ось основи, які допоможуть зрозуміти, що вона робить і як її використовує.
В останні роки термін «машинне навчання» з’являється на різних дискусіях та форумах, але що саме це означає? Машинне навчання можна визначити як метод аналізу даних, заснований на розпізнаванні шаблонів та обчислювальному навчанні. Він складається з різних алгоритмів, таких як нейронні мережі, дерева рішень, байєсівські мережі тощо. Машинне навчання використовує ці алгоритми для вивчення даних та відновлення прихованих даних з даних. Процес навчання є ітеративним, тому нові дані також обробляються без будь-якого нагляду. Наука вивчати попередні дані та використовувати їх для майбутніх даних не нова, але вона набирає все більшої популярності.
Що таке машинне навчання?
Хоча деякі люди вважають, що машинне навчання не є кращим, ніж традиційні методи комп’ютерного програмування, які досі застосовуються, багато хто вважає машинне навчання революцією в галузі штучного інтелекту (ШІ). Вони вірять, що за допомогою цієї технології машини зможуть навчитися речам і робити речі на власному досвіді, а не просто виконувати вказівки людини.
Щоб зрозуміти більше про значення машинного навчання, ми можемо порівняти його з традиційним комп'ютерним програмуванням. У наступних розділах мова піде більше про машинне навчання та його відмінність від традиційного програмування. (Про деякі плюси і мінуси машинного навчання див. Обіцянки та підводні камені машинного навчання.)
Що таке традиційне програмування?
Коли ми програмуємо комп’ютер, то, що ми насправді робимо, - це вказівки мовою, яку він розуміє. Потім, коли ми даємо йому вхід, він дає результат на основі інструкцій, які ми йому дали.
Тепер давайте уявимо, що ви дали внесок, щоб подати заявку на отримання кредитної картки. Обробляючи ваш вклад, система розгляне всі важливі частини вашої програми, візьме необхідну інформацію та обробить її. Після цього він буде виробляти результат прийняття чи відхилення на основі програми, яка йому подається.
Як відрізняється машинне навчання
Якщо ви використовуєте машинне навчання замість традиційних методів програмування у сценарії кредитних карт, то результат був би дещо іншим. Результат фактично базуватиметься на вхідних даних, і система отримає досвід, обробляючи ці вхідні дані. Спеціальної програми для цього не буде. Оскільки він набирає все більше і більше досвіду, з часом його продуктивність покращуватиметься.
Отже, машинне навчання насправді вчиться, аналізуючи велику кількість файлів даних, зроблених при кожному використанні системи. Під час аналізу даних він змінює своє програмування відповідно до нових вимог. Це також призводить до підвищення його точності. Можна також сказати, що машинне навчання - це як лінійна регресія, де змінні та параметри змінюються, щоб краще відповідати наданому входу.
У цьому методі алгоритми включаються в мічені приклади, де мічені дані означають, що даним дається опис. Система машинного навчання отримуватиме як входи, так і відповідні результати. Тепер система може отримати більше досвіду, порівнюючи фактичні виходи з правильними виходами, щоб знайти помилки.
Проаналізувавши результати та визначивши помилки, система відповідно змінить своє програмування. Система може використовувати різні методи для прогнозування мітки на незазначених даних. Цей метод використовується для прогнозування майбутніх подій на основі даних минулого.
Цей метод машинного навчання застосовується в таких місцях, як ігри, навігація на транспортних засобах та робототехніка. У цьому методі система навчається методом проб і помилок. Основна мета цього методу - визначити вихід за найменший проміжок часу, що можна зробити, дотримуючись відповідної політики.
Важливість машинного навчання
Важливість машинного навчання зростає з кожним днем через ті самі причини, що зробили концепцію обміну даними настільки важливою. Ці причини включають дешеву та потужну обчислювальну потужність, великі обсяги даних, що створюються щодня, і недорогі та високомісткі методи зберігання даних. Ці фактори гарантують, що потужні та точні моделі можуть бути зроблені дуже швидко, які можуть бути використані для аналізу великих запасів даних масово, щоб отримати кращі, високоточні результати. Це означає, що кращі моделі можна використовувати для прийняття кращих корпоративних та ділових рішень за менший час та без будь-яких людських зусиль.
Одним із способів швидкого виготовлення таких точних моделей є автоматизоване виготовлення моделей. Ця модель повинна бути досить динамічною, щоб йти в ногу зі змінами часу. Хоча люди зазвичай можуть створювати дві моделі на тиждень, машинне навчання може створити тисячі точних моделей шляхом швидкого аналізу даних. Ось чому машинне навчання є таким важливим для бізнесу та інших галузей.
Алгоритми та процеси машинного навчання
Алгоритми машинного навчання допомагають отримати максимальну користь від великих даних, допомагаючи системі швидко аналізувати дані та отримувати точні результати. Ці алгоритми допомагають створити модель, яку можна використовувати для прийняття бізнес-рішень. Деякі типи алгоритмів - це нейронні мережі, випадкові ліси, k-засоби кластеризації, самоорганізовуються карти та картографування найближчого сусіда.
Однак використовувати алгоритми далеко не все. Найкращу модель можна зробити лише дотримуючись відповідного процесу. Деякі приклади таких процесів - всебічне управління даними, інтерактивне вивчення даних та візуалізація результатів, знайдених моделлю.
Вплив машинного навчання на бізнес
Вплив машинного навчання на бізнес величезний. Машинне навчання відкрило нові можливості для бізнесу. Це допомогло в точному прийнятті моделей, що, в свою чергу, допомогло швидко і краще приймати рішення.
Деякі випадки практичного використання
Машинне навчання використовується в багатьох місцях. Системи рекомендацій використовують машинне навчання для надання рекомендацій користувачам у режимі реального часу, виходячи з їх уподобань та існуючих ринкових моделей.
Promedas, що є медичним програмним забезпеченням або «лікарем на робочому столі», - це програма, заснована на машинному навчанні, яка використовує сотні років медичних знань, щоб допомогти лікарям у виявленні та діагностиці захворювання. Він використовує дані, зібрані з попередніх записів моделей захворювань, щоб ідентифікувати захворювання у пацієнтів. Це допомагає в більш швидкому виявленні та лікуванні недуг.
Amazon автоматизував надання працівникам надання та скасування доступу за допомогою комп'ютерного алгоритму, який може передбачити доступ до ресурсів для кожного працівника. Для цього комп’ютерний алгоритм використовує записи для аналізу ризиків та того, наскільки працівник взагалі довіряє.
Алгоритми машинного навчання також використовуються університетом Корнелла для виявлення китів в океані за допомогою звукозаписів, щоб судна могли уникати китів. Алгоритм аналізує дані міграції китів (куди вони йдуть і коли), щоб визначити шлях, який повинен пройти корабель, щоб уникнути китів. (Щоб дізнатися більше про практичне використання машинного навчання, див. Машинне навчання та Hadoop в «Виявлення шахрайства нового покоління».)
Висновок
Оскільки дані з кожним днем зростають, зростає і важливість ефективної обробки. Для цього були розроблені методи машинного навчання, що допомагає системі у прийнятті розумних рішень з мінімальним залученням людей. Нинішній вплив цієї технології на ІТ-сектор був величезним, тому легко уявити, що його значення буде продовжувати зростати лише в майбутньому.