Машинное обучение является движущей силой многих будущих инноваций, поскольку его разработка сочетается с бесконечным количеством приложений. Процесс машинного обучения в основном обучает компьютер думать, конечно в переносном смысле. Мышление - это то, чем мы не думаем о компьютерах, хотя мы знаем, что они являются своего рода виртуальным мозгом или процессором данных. Несмотря на свою репутацию, компьютеры не смогли бы делать то, что они делают, без программирования людьми. Программирование компьютеров является более явным, чем машинное обучение, когда речь идет о предоставлении компьютеру инструкций о том, какие выходные данные производить для определенных входных данных. Машинное обучение передает управление компьютеру, чтобы он делал с вводом то, что он будет делать. Люди очень хорошо придумывают идеи и выявляют причины и следствия, в то время как компьютеры обладают большей осведомленностью, когда дело доходит до данных и вычислительной мощности. Таким образом, люди, которым требуется понимание больших данных, используют компьютеры, чтобы компенсировать недостаток внимания, которому они могут уделять, или большой объем работы, с которой они могут справиться. Здесь на помощь приходит машинное обучение. Машинное обучение находит множество применений в науке о данных и Интернете вещей. Специалисты по обработке данных используют машинное обучение для обработки больших объемов данных в прогностические модели, чтобы делать все, от идентификации изображений панд до разработки искусственного интеллекта, стоящего за беспилотными автомобилями. Машинное обучение - это область исследований, финансируемых некоторыми из крупнейших технологических компаний в мире, включая Google, Microsoft и Facebook. Существуют также различные типы машинного обучения, такие как обучение с учителем, обучение без учителя и обучение с подкреплением, которые создают основу для различных проектов, помимо машинного обучения, искусственного интеллекта и глубокого обучения. Разрабатывая основу, основанную на алгоритмах, последовательных действиях для определенной цели, компьютеры могут научиться обрабатывать данные и принимать решения или прогнозировать результаты на основе своего обучения.
Гонка за разработку полностью автономных автомобилей или роботов для замены сервисных работ стимулирует развитие искусственного интеллекта, увлекающего за собой машинное обучение. Как указывалось ранее, машинное обучение лежит в основе искусственного интеллекта. Он управляет методом, с помощью которого компьютеры обрабатывают предоставленные им данные и запоминают закономерности в данных. Без машинного обучения искусственный интеллект был бы не чем иным, как калькулятором, который мог бы принимать только числа и давать только один гарантированный ответ. Вместо этого машинное обучение использует больше статистических методов для разработки инструментов, с помощью которых машина может принимать собственные решения. В беспилотных автомобилях используется машинное обучение, чтобы определять опасности на дороге и придерживаться более безопасных условий вождения. Обучение с учителем применяется в автономных автомобилях, которые учат опасностям, подвергаясь воздействию группы предметов, скорее всего, в форме изображений. На основе изображений компьютер может определить, следует ли ему ускоряться, замедляться или останавливаться. Идея состоит в том, чтобы научить компьютер видеть опасности так же, как и мы. Как только компьютер понимает, что представляет собой опасность, он еще не готов к использованию на обычных улицах. Из-за изменчивости реальности невозможно обеспечить автомобиль всеми опасностями в любое время суток, в любом положении, при любых погодных условиях. Таким образом, беспилотные автомобили должны использовать результаты контролируемого обучения и продолжать обрабатывать данные в реальном мире посредством тщательного тестирования. Здесь обучение передается автомобилю, почти до степени неконтролируемого обучения, когда компьютер может начать классифицировать данные, которые он принимает, по категориям опасности, дороги, автомобиля и т. Д. Это приложение машинного обучения / искусственного интеллекта является самый популярный и ожидаемый продукт искусственного интеллекта прямо сейчас. Концепция и ощущения вокруг него на самом деле очень похожи на то, что было у лифта, когда он впервые был интегрирован в общество. Фактически, лифтерский служащий был способом очеловечить нововведение, чтобы завоевать доверие пассажиров. В противном случае он вызвал большой скептицизм, поскольку автоматически возвышал людей, а в то время было не так много надежных технологий. В конце концов, лифт стал нормой, как и беспилотные автомобили, когда мы привыкнем к тому, что водители станут менее активными машинистами.
Процесс машинного обучения включает в себя больше технических компонентов, даже когда мы говорим исключительно о машинном обучении, а не о том, как оно связано с другими аспектами, составляющими искусственный интеллект. Чаще всего машинное обучение реализуется в форме построения модели. Как упоминалось ранее, построение моделей находится в центре работы по науке о данных, потому что модели предоставляют сводные данные, полезные для прогнозирования результатов неизвестных наборов данных. То, как это происходит с контролируемым обучением, начинается с набора данных. Этот набор данных обычно разделяется на пять «складок», подмножеств, с которыми нужно обучаться и тестировать. Четыре из этих наборов используются для обучения, поэтому изображения или данные загружаются в машину с правильной идентификацией данных. Машинное обучение обычно предназначено для распознавания изображений, поэтому идентификационные данные изображений передаются в программу вместе с самими изображениями. Затем программа разрабатывает модель с определенным количеством переменных, которые представляют различные факторы, влияющие на идентичность изображения. Затем модель тестируется с пятой складкой, которая не была включена в обучение. Оценивается точность модели, и этот процесс повторяется для повышения точности. В ходе этого процесса разрабатывается и совершенствуется прогнозная модель. Машинное обучение может быть таким простым или сложным, как база данных, заполненная тысячами гигабайт данных, обрабатываемых в течение дня, чтобы получить модель с пятьюдесятью различными факторами, идентифицированными программой. Это обучение с учителем также может быть очень эффективным для предсказаний вне контекста. В дополнение к обучению с учителем существует также обучение с подкреплением, которое также имеет множество полезных приложений. Подкрепление определяет определенные результаты как хорошие или плохие, а программа определяет характеристики хорошего результата и изучает характеристики, соответствующие им в будущем. Это сыграло роль в обучении AlphaGo определять ходы с более высокой вероятностью выигрыша.
Машинное обучение революционизирует технологии и расширяет потенциал компьютеров и вычислительной индустрии. Большие данные выросли во многом благодаря машинному обучению. В противном случае составление больших наборов данных было бы утомительным даже с использованием обычных алгоритмов. Машинное обучение утвердилось в качестве учебной дисциплины, но остается еще много неизвестного. Хотя машинное обучение - это не совсем искусственный интеллект, оно играет большую роль в развитии искусственного интеллекта. Скоро мы увидим, как автомобили станут похожи на лифты, что приведет к революции в том, как мы взаимодействуем с технологиями.
Ссылки
«Чем отличаются искусственный интеллект, машинное обучение и глубокое обучение? | Блог NVIDIA
Это первая из серии, состоящей из нескольких частей, объясняющих основы глубокого обучения опытным техническим журналистом… blogs.nvidia.com »
Машинное обучение> Непрофессиональное письмо
