Машинное обучение для масс
Могут ли машины думать?
Вопрос, предложенный Аланом Тьюрингом несколько десятилетий назад, ознаменовавший появление машинного обучения, вопрос, который положил начало совершенно новому образу мышления и взаимодействия с компьютерами, вопрос, который до сих пор влияет на развитие искусственного интеллекта. интеллект.
У нас, людей, есть одна самая сложная и умная вещь во всей вселенной, которая находится прямо над нашими плечами - наш МОЗГ!. Уровень эффективности, который наш мозг имеет даже при выполнении сложных задач в мгновение ока, был непостижим для чудовищ машин, которые люди пытались создать в прошлом. Но некоторые из появляющихся техник, таких как машинное обучение, кажутся многообещающим шагом в правильном направлении.
Машинное обучение - это всего лишь способ заставить компьютер имитировать наш мозг. Он работает аналогично, позволяет залезть внутрь.
Наш мозг постоянно находит определенные закономерности в нашей повседневной деятельности и устанавливает связи между ними. Затем он запоминает эти шаблоны и регулярно обновляет их, формируя новые ссылки и разрывая старые. Ходьба, наблюдение, решение головоломки - все эти действия - всего лишь набор шаблонов для нашего мозга, которые он вознаграждает за решение, а затем запоминает их. Основная цель запоминания - предсказать результаты любого будущего события, которое может быть аналогично любому нашему прошлому опыту, например, вы знаете, что вам нужно бить по мячу, когда играете правильно, или вам нужно бежать, если идет дождь. И это то, что мы называем процессом обучения, применительно к машинам, отсюда и термин - МАШИННОЕ ОБУЧЕНИЕ.
Но вы можете задаться вопросом, у нас уже есть мозг, тогда зачем вообще использовать ML? Или почему люди из CS так одержимы этим? Или даже если мы это сделаем, как сделать наши машины умнее? Как применить ML?
Давайте ответим на них по очереди. Изначально ML начинался как интересная мысль для некоторых пионеров компьютерной области и постепенно превратился в вспомогательный и эффективный метод программирования, поскольку мы добились беспрецедентного прогресса в науке и технологиях, что, в свою очередь, привело к разработке очень сложных машин. . Мы начали собирать огромные объемы данных практически во всех областях. Например, ракеты - предоставили нам большие объемы космических данных, спутники - предоставляют огромное количество данных о погоде каждый день, фондовый рынок имеет огромное количество собственных данных и т. д. Мы, люди, склонны анализировать вещи. Поскольку нас наводняет неумолимое количество данных, мы могли бы также проанализировать их, найти в них некоторые закономерности, найти способы предсказать результаты события на основе предварительно проанализированных данных - это был один из наиболее часто используемых сценариев. в реальном мире. ML позволяет предвидеть ближайшее будущее, тренируясь или извлекая уроки из уже имеющихся данных, точно так же, как это делаем мы. Прогноз погоды, акций, прибыли, цен на недвижимость или даже следующего шоу в вашем списке разгула Netflix - все это возможно, просто применив ML к предварительно собранным данным, без ракетной науки.
Люди, занимающиеся компьютерными науками, были одержимы ML из-за недавнего толчка в исследованиях и разработках в ML и его широком спектре приложений почти во всех областях, включая новые и перспективные технологии, такие как искусственный интеллект, автономное вождение, рекомендательные системы, которые сейчас присутствуют почти повсюду. . За последнее десятилетие в этой области произошел огромный прогресс, и все еще появляются все новые и новые приложения, все более и более сложные проблемы могут быть решены по мере того, как наши машины становятся все более мощными. Самая важная часть, помимо широкого применения и востребованности, чертовски интересна. Шучу, я имею в виду, что это определенно интересно, но что еще более удивительно, так это то, что алгоритмы машинного обучения автоматически улучшаются со временем, они могут исправлять себя, извлекая уроки из прошлых ошибок, настраивая свои параметры для получения оптимального результата или даже в зависимости от среды, в которой они присутствуют, как в случай обучения с подкреплением. ML предоставил нам ответ на проблемы, которые обычно казались неразрешимыми даже при огромных вычислительных мощностях. Теперь вы можете обучить модель машинного обучения классифицировать фрукты на своем ноутбуке, потягивая кофе. Обилие и быстрое поступление новых данных и экспоненциальный рост вычислительной мощности стали основными причинами такой популярности машинного обучения.
Машинное обучение - это будущее
ML - это совершенно новый способ решения проблем, начиная с поиска закономерностей в ранее неизвестном наборе данных и заканчивая их собственным улучшением. Это довольно интересная область, в которую можно погрузиться.
О третьем и, наверное, самом важном вопросе - как реализовать ML? Наверное, нужна отдельная статья. Оставайтесь с нами, чтобы узнать больше об этой удивительной области!
