Машинное обучение - это приложение искусственного интеллекта (ИИ), которое дает системам возможность автоматически учиться и совершенствоваться на основе опыта без явного программирования. Машинное обучение нацелено на разработку компьютерных программ, которые могут получать доступ к данным и использовать их для самостоятельного обучения. Я знаю, что это звучит немного запутанно, но в конце все будет ясно.

На очень высоком уровне машинное обучение - это процесс обучения компьютерной системы тому, как делать точные прогнозы при вводе данных.

Эти прогнозы могут быть ответом на вопрос, является ли фрукт на фотографии бананом или яблоком, обнаружением людей, переходящих дорогу перед беспилотным автомобилем, независимо от того, используется ли слово книга в Предложение относится к мягкой обложке или бронированию отеля, независимо от того, является ли электронное письмо спамом, или к распознаванию речи с достаточной точностью для создания субтитров для видео на YouTube.

Ключевое отличие от традиционного компьютерного программного обеспечения состоит в том, что разработчик-человек не написал код, который инструктирует систему, как отличить банан от яблока.

Вместо этого модель машинного обучения научили надежно различать фрукты, обучаясь на большом количестве данных, в этом случае, вероятно, на огромном количестве изображений, помеченных как содержащие банан или яблоко.

Методы машинного обучения

Алгоритмы машинного обучения часто делятся на контролируемые и неконтролируемые.

  • Алгоритмы контролируемого машинного обучения могут применять то, что было изучено в прошлом, к новым данным, используя помеченные примеры для прогнозирования будущих событий. Начиная с анализа известного набора обучающих данных, алгоритм обучения создает предполагаемую функцию для прогнозирования выходных значений. Система способна предоставлять цели для любого нового ввода после достаточного обучения. Алгоритм обучения также может сравнивать свои выходные данные с правильными предполагаемыми выходными данными и находить ошибки, чтобы соответствующим образом модифицировать модель.
  • Напротив, алгоритмы неконтролируемого машинного обучения используются, когда информация, используемая для обучения, не классифицируется и не маркируется. Неконтролируемое обучение изучает, как системы могут вывести функцию для описания скрытой структуры из немаркированных данных. Система не определяет правильный результат, но она исследует данные и может делать выводы из наборов данных для описания скрытых структур из немаркированных данных.
  • Алгоритмы полууправляемого машинного обучения находятся где-то между контролируемым и неконтролируемым обучением, поскольку они используют для обучения как помеченные, так и немеченые данные - обычно небольшой объем помеченных данных и большой объем немаркированных данных. Системы, использующие этот метод, могут значительно повысить точность обучения. Обычно полу-контролируемое обучение выбирается, когда полученные помеченные данные требуют квалифицированных и соответствующих ресурсов для их обучения / обучения. В противном случае получение немаркированных данных обычно не требует дополнительных ресурсов.
  • Алгоритмы машинного обучения с подкреплением - это метод обучения, который взаимодействует со своей средой, производя действия и обнаруживая ошибки или вознаграждения. Поиск методом проб и ошибок и отложенное вознаграждение - наиболее важные характеристики обучения с подкреплением. Этот метод позволяет машинам и программным агентам автоматически определять идеальное поведение в конкретном контексте, чтобы максимизировать его производительность. Чтобы агент узнал, какое действие лучше всего, требуется простая обратная связь с вознаграждением; это называется сигналом подкрепления.

Разница между машинным обучением и искусственным интеллектом

Возможно, в последнее время машинное обучение и имело огромный успех, но это всего лишь один из методов создания искусственного интеллекта.

С момента зарождения области искусственного интеллекта в 1950-х годах ИИ был определен как любая машина, способная выполнять задачу, которая обычно требует человеческого интеллекта.

Системы искусственного интеллекта обычно демонстрируют по крайней мере некоторые из следующих черт: планирование, обучение, рассуждение, решение проблем, представление знаний, восприятие, движение и манипулирование и, в меньшей степени, социальный интеллект и творчество.

Наряду с машинным обучением существуют различные другие подходы, используемые для создания систем ИИ, включая эволюционные вычисления, где алгоритмы подвергаются случайным мутациям и комбинациям между поколениями в попытке «разработать» оптимальные решения, и экспертные системы, где компьютеры программируются с правилами, которые позволяют они должны имитировать поведение человека-эксперта в определенной области, например, система автопилота, управляющая самолетом.

Для чего используется машинное обучение?

Системы машинного обучения используются повсюду вокруг нас и являются краеугольным камнем современного Интернета.

Системы машинного обучения используются, чтобы рекомендовать, какой продукт вы, возможно, захотите купить в следующий раз на Amazon, или видео, которое вы, возможно, захотите посмотреть на Netflix.

В каждом поиске Google используется несколько систем машинного обучения, чтобы понимать язык вашего запроса и персонализировать результаты, поэтому энтузиасты рыбалки, которые ищут слово «бас», не засыпаны результатами о гитарах. Точно так же системы распознавания спама и фишинга Gmail используют модели, обученные машинному обучению, чтобы защитить ваш почтовый ящик от мошеннических сообщений.

Одной из наиболее очевидных демонстраций возможностей машинного обучения являются виртуальные помощники, такие как Siri от Apple, Alexa от Amazon, Google Assistant и Microsoft Cortana.

Каждый из них в значительной степени полагается на машинное обучение для поддержки распознавания голоса и способности понимать естественный язык, а также нуждается в огромном корпусе для ответов на запросы.

Но помимо этих очевидных проявлений машинного обучения, системы начинают находить применение практически во всех отраслях. Эти виды использования включают: компьютерное зрение для беспилотных автомобилей, дронов и роботов-доставщиков; распознавание и синтез речи и языка для чат-ботов и сервисных роботов; распознавание лиц для наблюдения в таких странах, как Китай; помощь радиологам в обнаружении опухолей на рентгеновских снимках, помощь исследователям в выявлении генетических последовательностей, связанных с заболеваниями, и определение молекул, которые могут привести к созданию более эффективных лекарств в здравоохранении; возможность профилактического обслуживания инфраструктуры путем анализа данных датчиков Интернета вещей; подкрепляя компьютерное видение, которое делает возможным супермаркет Amazon Go без кассира, предлагая достаточно точную транскрипцию и перевод речи для деловых встреч - список можно продолжать и продолжать.

Глубокое обучение может в конечном итоге проложить путь для роботов, которые могут учиться непосредственно у людей, и исследователи из Nvidia недавно создали систему глубокого обучения, предназначенную для обучения робота тому, как выполнять задачу, просто наблюдая за тем, как эту работу выполняет человек".

Кто использовал машинное обучение?

Большинство отраслей, работающих с большими объемами данных, осознали ценность технологии машинного обучения. Собирая идеи на основе этих данных - часто в режиме реального времени, - организации могут работать более эффективно или получить преимущество перед конкурентами.

Финансовые услуги

Банки и другие компании в финансовой отрасли используют технологию машинного обучения для двух основных целей: для выявления важных аналитических данных и предотвращения мошенничества. Эти идеи могут помочь определить инвестиционные возможности или помочь инвесторам узнать, когда торговать. Интеллектуальный анализ данных также может выявлять клиентов с профилями высокого риска или использовать кибернадзор для выявления предупреждающих признаков мошенничества.

Правительство

Государственные учреждения, такие как общественная безопасность и коммунальные предприятия, особенно нуждаются в машинном обучении, поскольку у них есть несколько источников данных, которые можно использовать для анализа. Например, анализ данных датчиков определяет способы повышения эффективности и экономии денег. Машинное обучение также может помочь обнаружить мошенничество и минимизировать кражу личных данных.

Здравоохранение

Машинное обучение - быстрорастущая тенденция в отрасли здравоохранения благодаря появлению носимых устройств и датчиков, которые могут использовать данные для оценки состояния здоровья пациента в режиме реального времени. Технология также может помочь медицинским экспертам анализировать данные для выявления тенденций или красных флажков, которые могут привести к улучшению диагностики и лечения.

Нефти и газа

Поиск новых источников энергии. Анализ минералов в земле. Прогнозирование отказа датчика нефтеперерабатывающего завода. Оптимизация распределения масла для повышения его эффективности и рентабельности. Количество вариантов использования машинного обучения в этой отрасли огромно - и продолжает расти.

Розничная торговля

Веб-сайты, рекомендующие товары, которые могут вам понравиться на основе предыдущих покупок, используют машинное обучение для анализа вашей истории покупок. Ритейлеры полагаются на машинное обучение для сбора данных, их анализа и использования для персонализации покупок, реализации маркетинговой кампании, оптимизации цен, планирования поставок товаров и для понимания клиентов.

Транспорт

Анализ данных для выявления закономерностей и тенденций является ключом к транспортной отрасли, которая полагается на повышение эффективности маршрутов и прогнозирование потенциальных проблем для повышения прибыльности. Аспекты машинного обучения, связанные с анализом данных и моделированием, являются важными инструментами для компаний по доставке, общественного транспорта и других транспортных организаций.

Почему машинное обучение так важно?

Возрождение интереса к машинному обучению связано с теми же факторами, которые сделали интеллектуальный анализ данных и байесовский анализ более популярными, чем когда-либо. Такие вещи, как растущие объемы и разнообразие доступных данных, более дешевая и мощная вычислительная обработка, а также доступное хранилище данных.

Все это означает, что можно быстро и автоматически создавать модели, которые могут анализировать более крупные и сложные данные и предоставлять более быстрые и точные результаты - даже в очень большом масштабе. А благодаря построению точных моделей у организации появляется больше шансов определить прибыльные возможности или избежать неизвестных рисков.

Почему машинное обучение так успешно?

Хотя машинное обучение не является новой техникой, в последние годы интерес к этой области резко возрос.

Это возрождение стало результатом серии прорывов, когда глубокое обучение установило новые рекорды точности в таких областях, как распознавание речи и языка и компьютерное зрение.

Эти успехи стали возможными в первую очередь благодаря двум факторам, первый из которых - огромное количество изображений, речи, видео и текста, которые доступны исследователям, которые хотят обучить системы машинного обучения.

Но еще важнее наличие огромных мощностей для параллельной обработки благодаря современным графическим процессорам (GPU), которые можно объединить в кластеры, чтобы сформировать центры машинного обучения.

Сегодня любой, у кого есть подключение к Интернету, может использовать эти кластеры для обучения моделей машинного обучения с помощью облачных сервисов, предоставляемых такими фирмами, как Amazon, Google и Microsoft.

Поскольку машинное обучение набирает популярность, компании создают специализированное оборудование, предназначенное для запуска и обучения моделей машинного обучения. Примером одного из таких пользовательских чипов является Tensor Processing Unit (TPU) Google, последняя версия которого ускоряет скорость, с которой модели машинного обучения, построенные с использованием программной библиотеки Google TensorFlow, могут выводить информацию из данных, а также скорость, с которой их можно обучить.

Эти чипы используются не только для обучения моделей для Google DeepMind и Google Brain, но и для моделей, лежащих в основе Google Translate и распознавания изображений в Google Photo, а также для сервисов, которые позволяют общественности создавать модели машинного обучения с использованием Google TensorFlow Research Облако". Второе поколение этих микросхем было представлено на конференции Google I / O в мае прошлого года с набором этих новых TPU, способных обучать модель машинного обучения Google, используемую для перевода за половину времени, которое потребовалось бы для массива. топовых графических процессоров , а также о недавно анонсированных TPU третьего поколения, способных еще больше ускорить обучение и логический вывод.

По мере того, как оборудование становится все более специализированным, а программные фреймворки для машинного обучения совершенствуются, задачи машинного обучения все чаще выполняются на телефонах и компьютерах потребительского уровня, а не в облачных центрах обработки данных. Летом 2018 года Google сделал шаг к тому, чтобы предложить такое же качество автоматического перевода на автономных телефонах, как и в Интернете, развернув локальный нейронный машинный перевод для 59 языков в приложении Google Translate для iOS и Android.

Ссылка

Блог, Х.Л.О.Т.С.Д.С. (2017, 12 абриль). Какой алгоритм машинного обучения мне следует использовать? Блог SAS Data Science. Https://blogs.sas.com/content/subconsciousmusings/2017/04/12/machine-learning-algorithm-use/

Хит, Н. (2018, 14 сентября). Что такое машинное обучение? Все, что вам нужно знать. ZDNet. Https://www.zdnet.com/article/what-is-machine-learning-everything-you-need-to-know/

Команда, Э.С. (2020, 29 мая). Что такое машинное обучение? Определение. Экспертная система. Https://expertsystem.com/machine-learning-definition/#:%7E:text=Machine%20learning%20is%20an%20application,use%20it%20learn%20for%20themself.

Команда, Э.С. (2020, 29 мая). Что такое машинное обучение? Определение. Экспертная система. Https://expertsystem.com/machine-learning-definition/#:%7E:text=Machine%20learning%20is%20an%20application,use%20it%20learn%20for%20themself.