ЧТО ТАКОЕ МАШИННОЕ ОБУЧЕНИЕ AZURE?

Машинное обучение Microsoft Azure — это совокупность средств администрирования и инструментов, позволяющих разработчикам подготавливать и отправлять модели машинного обучения. Microsoft предоставляет эти устройства и администрирование через открытое облако Azure.

SAS, инженер-аналитик из Северной Каролины, использует это определение: «Машинное обучение — это стратегия изучения информации, которая роботизирует построение научных моделей». Другими словами, это позволяет компьютерам находить полезную информацию, не программируя, где искать часть информации; вместо этого он делает это, используя алгоритмы, которые итеративно изучают данные.

Почему машинное обучение?

Чтобы легче понять применение машинного обучения, рассмотрите часть случаев, когда машинное обучение связано: вы сами управляете автомобилем Google, распознавание цифровых искажений, двигатели онлайн-предложений — например, рекомендации компаньонов на Facebook, Netflix, демонстрирующий фильмы и шоу, которые вам могут понравиться. , а также «больше вещей для размышления» и «прикоснитесь к чему-нибудь» на Amazon — в целом это прецеденты подключенного машинного обучения.

Каждая из этих моделей отражает фундаментальную работу, которую машинное обучение начало выполнять в нынешнем богатом информацией мире. Машины могут помочь в разделении ценных фрагментов данных, которые способствуют реальному продвижению вперед, и теперь мы понимаем, как это новшество применяется в самых разных сферах бизнеса.

Использование машинного обучения

Ранее в этом блоге мы указали несколько вариантов использования машинного обучения. Чтобы лучше понять идею машинной адаптации, мы должны подумать о еще нескольких прецедентах: списки веб-индексации, постоянные рекламные акции на страницах веб-сайтов и мобильных телефонах, отсеивание спама в электронной почте, организация идентификации прерывания, а также подтверждение примеров и изображений. Все это результаты применения машин, выясняющих, как разбивать огромные объемы информации.

Как правило, изучение информации постоянно изображалось с помощью экспериментов, методологии, которая в конечном итоге становится невообразимой, когда информационные коллекции являются существенными и разнородными. Машинное обучение приходит как ответ на этот беспорядок, предлагая разумные варианты, в отличие от анализа огромных объемов информации. Расширяя возможности быстрых и качественных вычислений и информационных моделей для непрерывной обработки информации, машинное обучение может обеспечить точные результаты и исследования.

Интеллектуальный анализ данных, машинное обучение и глубокое обучение

Проще говоря, машинное обучение и интеллектуальный анализ информации используют вычисления и стратегии, неотличимые от интеллектуального анализа данных, за исключением видов изменений прогнозов. В то время как интеллектуальный анализ данных находит заранее неясные примеры и информацию, машинное обучение воссоздает известные примеры и обучение — и, следовательно, применяет эти данные к информации, базовому руководству и действиям.

Глубокое обучение, опять же, использует ускоренную вычислительную мощность и исключительные типы нейронных систем и применяет их к большому количеству информации, чтобы изучать, понимать и распознавать запутанные примеры. Автоматический языковой перевод и медицинские диагнозы являются примерами глубокого обучения.

Хорошо известные методы машинного обучения

Как именно машины учатся? Двумя хорошо известными стратегиями машинного обучения являются регулируемое обучение и неконтролируемое обучение. Подсчитано, что 70 процентов машинного обучения приходится на управляемое обучение, в то время как на неконтролируемое обучение приходится от 10 до 20 процентов. Различные методы, которые используются реже, являются полууправляемыми и поддерживают обучение.

Регулируемое обучение

Такой вид обучения возможен, когда входы и выходы безошибочно различаются, а расчеты готовятся с использованием названных прецедентов. Чтобы лучше понять это, давайте подумаем о сопутствующей модели: аппаратное обеспечение может иметь информационные фокусы с именами F (вышел из строя) или R (работает).

Расчет обучения, использующий регулируемое обучение, получит набор вкладов наряду со сравнением правильного результата для обнаружения ошибок. Учитывая эти источники информации, он будет дополнительно корректировать модель по мере необходимости. Это своего рода пример подтверждения, поскольку управляемое обучение происходит с помощью таких стратегий, как группировка, рецидив, ожидание и усиление склонности. Управляемое обучение использует примеры, чтобы предвидеть оценки имени на дополнительной немаркированной информации.

Направленное обучение чаще используется в приложениях, где поддающаяся проверке информация предвосхищает будущие события, например ложные обмены Mastercard.

Обучение без учителя

В отличие от управляемого обучения, неконтролируемое обучение используется с информационными указателями без достоверной информации. Расчет неконтролируемого обучения исследует устаревшую информацию для обнаружения структуры. Этот вид обучения лучше всего подходит для информации, основанной на ценностях; например, это помогает различать фрагменты и группы клиентов с определенными свойствами — это часто используется при персонализации контента.

Некоторые алгоритмы и процессы машинного обучения

Если вы изучаете машинное обучение, вы должны привыкнуть к этим обычным вычислениям и процедурам машинного обучения: нейронные системы, деревья выбора, произвольные глуши, принадлежность и групповое раскрытие, увеличение и упаковка наклона, поддержка векторных машин, самосортировка. карты, k-имплицитная группировка, байесовские системы, гауссовские модели смешивания — и это только верхушка айсберга.

Различные инструменты и процедуры, которые соответствуют лучшим расчетам, чтобы помочь получить максимальную выгоду от огромной информации, включают:

  • Комплексное качество информации и администрирование
  • Графические интерфейсы для построения моделей и потоков процессов
  • Интерактивное исследование информации и восприятие результатов модели
  • Сравнение различных моделей машинного обучения для быстрого определения лучшей
  • Автоматизированная оценка показа костюмов для выявления лучших артистов
  • Простая схема демонстрации, позволяющая быстро получать воспроизводимые и надежные результаты.
  • Интегрированный сквозной этап для роботизации процесса выбора информации

Применения машинного обучения

Машины и ПК влияют на то, как мы живем и работаем. Ведущие организации постоянно вносят прогрессивные изменения в то, как мы взаимодействуем с инновациями машинного обучения.

DeepMind Technologies, британская организация, занимающаяся компьютерным мышлением, была приобретена Google в 2014 году. Организация создала нейронную машину Тьюринга, позволяющую ПК отражать временную память человеческого мозга.

Беспилотные автомобили Google и основные моменты Tesla Autopilot — это презентации искусственного интеллекта в автомобильной сфере. Элон Маск, автор и генеральный директор Tesla Motors, сообщил через Twitter, что будущие Tesla смогут предвидеть цель, к которой должны стремиться их владельцы, взяв на вооружение их пример поведения с использованием ИИ.

Кроме того, в запросе Watson отмечается, что платформа ПК, созданная IBM, предназначена для использования в медицинской сфере. Уотсон рекомендует различные виды лечения для пациентов с учетом их терапевтического анамнеза и оказался чрезвычайно успешным.

В любом случае явное большинство использует более типичные способы использования ИИ, например, виртуальные помощники в наших мобильных телефонах. Siri, Cortana и Google Assistant — это часто используемые продвинутые помощники, которые можно найти в телефонах iOS, Windows и Android. Эти приложения собирают данные, расшифровывают то, что запрашивается, а затем предоставляют соответствующий ответ с помощью полученной информации, и каждое из них постепенно улучшается в зависимости от предпочтений клиента.