Машинное обучение чем-то похоже на последний вирус короны. Все об этом говорят, многие (только медицинский персонал) знают, что происходит на самом деле, и лишь немногие (те, кто производит вакцины) знают, что это такое на самом деле. Если вы когда-нибудь пробовали читать статьи о машинном обучении в Интернете, скорее всего, вы наталкивались на их два типа: толстые академические трилогии, наполненные теоремами (я не смог разобрать даже половину одной) или рыбные сказки об искусственном интеллекте, магия науки о данных и рабочие места будущего.
Я решил написать пост, о котором давно мечтал. Простое введение для тех, кто всегда хотел разбираться в машинном обучении. Только реальные проблемы, практические решения, простой язык и никаких теорем высокого уровня. Один и для всех. Будь вы программист или менеджер.
Итак, сначала подойдем к определению ...
Что такое 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 обучения.
Несомненно, машинное обучение - самая востребованная технология на современном рынке. Его приложения варьируются от беспилотных автомобилей до прогнозирования смертельных заболеваний, таких как БАС. Этот блог мотивирован высоким спросом на навыки машинного обучения.
Действительно, очень правильно сказано, что машинное обучение автоматизирует работу, которую, по мнению большинства людей, могли выполнять только люди. И хотя машинное обучение все еще находится в зачаточном состоянии, оно изменит правила игры в цепочке поставок, и все мы сделали этот прогноз, даже имея базовые знания.
Типы машинного обучения:
Контролируемое обучение
Обучение с учителем - это обучение, при котором вы можете считать, что обучение ведется под руководством учителя. У нас есть набор данных, который действует как учитель, и его роль заключается в обучении модели или машины. Как только модель будет обучена, она может начать делать прогнозы или принимать решения, когда ей передаются новые данные.
Неконтролируемое обучение
Модель учится через наблюдение и находит структуры в данных. Как только модели предоставляется набор данных, она автоматически находит закономерности и взаимосвязи в наборе данных, создавая в нем кластеры. Чего он не может сделать, так это добавить ярлыки к кластеру, как будто он не может сказать, что это группа яблок или манго, но он отделит все яблоки от манго.
Предположим, мы представили модели изображения яблок, бананов и манго, и что она делает, на основе некоторых шаблонов и взаимосвязей создает кластеры и делит набор данных на эти кластеры. Теперь, если в модель поступают новые данные, она добавляет их в один из созданных кластеров.
Обучение с подкреплением
Это способность агента взаимодействовать с окружающей средой и определять наилучший результат. Он следует концепции метода проб и ошибок. Агент награждается или наказывается очком за правильный или неправильный ответ, и на основе положительных призовых очков модель обучается сама. И снова после обучения он готов предсказывать представленные ему новые данные.
Они подразделяются на следующие части: -
Контролируемое обучение подразделяется на две категории алгоритмов:
· Классификация: проблема классификации возникает, когда выходной переменной является категория, например «красный» или «синий» или «болезнь» и «отсутствие болезни».
· Регрессия. Проблема регрессии возникает, когда выходной переменной является действительное значение, такое как «доллары» или «вес».
Обучение без учителя подразделяется на две категории алгоритмов:
· Кластеризация. Проблема кластеризации заключается в том, что вы хотите обнаружить неотъемлемые группировки в данных, например группировку клиентов по покупательскому поведению.
· Ассоциация. Проблема изучения правил ассоциации - это когда вы хотите обнаружить правила, которые описывают большие части ваших данных.
Почему так важно машинное обучение?
Возобновление 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 больше шансов определить прибыльные возможности или избежать неизвестных рисков.
И, наконец, самое интересное и важное…
Приложения машинного обучения:
Система рекомендаций Netflix. Ядро Netflix - это печально известная система рекомендаций. Netflix рекомендует более 75% того, что вы смотрите, и эти рекомендации сделаны путем внедрения машинного обучения.
Функция автоматической пометки Facebook. Система проверки лиц DeepMind в Facebook основана на машинном обучении и нейронных сетях. DeepMind изучает черты лица на изображении, чтобы отметить ваших друзей и семью.
Alexa от Amazon. Печально известная Alexa, основанная на обработке естественного языка и машинном обучении, представляет собой виртуальный помощник продвинутого уровня, который делает больше, чем просто воспроизводит песни из вашего плейлиста. Он может бронировать вам Uber, подключаться к другим устройствам IoT дома, отслеживать ваше здоровье и т. Д.
Спам-фильтр Google. Gmail использует машинное обучение для фильтрации спам-сообщений. Он использует алгоритмы машинного обучения и обработку естественного языка для анализа электронных писем в режиме реального времени и классификации их как спам или не спам.
Поисковая система в Интернете. Одна из причин, по которой такие поисковые системы, как Google, Bing и т. д., работают так хорошо, заключается в том, что система научилась ранжировать страницы с помощью сложного алгоритма обучения.
Приложения для добавления тегов к фотографиям. Будь то Facebook или любое другое приложение для добавления тегов к фотографиям, возможность отмечать друзей делает это еще более интересным. Все это возможно благодаря алгоритму распознавания лиц, который работает за приложением.
Детектор спама: наш почтовый агент, такой как Gmail или Hotmail, делает за нас много тяжелой работы по классификации писем и перемещению спамовых писем в папку для спама. Это снова достигается с помощью классификатора спама, запущенного в серверной части почтового приложения.
Распознавание речи. Распознавание речи - это процесс преобразования голосовых инструкций в текст, также известный как «речь в текст». Алгоритмы машинного обучения широко используются в различных приложениях распознавания речи. Помощник Google, Alexa и многие другие используют технологию распознавания речи, чтобы следовать голосовым инструкциям.
Беспилотные автомобили. Машинное обучение играет важную роль в создании беспилотных автомобилей. Tesla, самая популярная компания по производству автомобилей, работает над беспилотным автомобилем. Он использует метод обучения без учителя для обучения моделей автомобилей обнаружению людей и предметов во время вождения.
Обнаружение мошенничества в Интернете. Машинное обучение делает наши онлайн-транзакции безопасными и надежными, выявляя мошеннические транзакции. Мошеннические транзакции могут иметь место различными способами, например, поддельные учетные записи, поддельные идентификаторы и кража денег. середина транзакции.
Распознавание изображений. Распознавание изображений - одно из наиболее распространенных приложений машинного обучения. Он используется для идентификации предметов, людей, мест и т. Д.
Вот некоторые общие области, в которых машинное обучение имеет огромное влияние:
Финансовые услуги. Банки и другие компании в финансовой сфере 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 кибер-наблюдение для выявления предупреждающих признаков мошенничества.
Государственные услуги. Государственные учреждения, такие как общественная безопасность и коммунальные службы, 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.
Медицинские услуги. 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.
Розничные услуги. Веб-сайты, на которых рекомендуются 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 получения информации о клиентах.
Нефтегазовые услуги: 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.
Транспортные услуги. 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.
Спасибо, что уделили время, я надеюсь написать больше на эту тему, охватывающую все другие аспекты.
А пока… следите за обновлениями!
