Машинное обучение — это не что иное, как выполнение машинами действий без необходимости их программирования, то есть исходя из того, что происходит в окружающей среде, машина или компьютер могут принять решение сделать то или иное действие.

В своей самой простой форме речь идет о том, чтобы заставить машины учиться, не путаться, чтобы они могли учиться, необходимо предоставить им информацию, эти данные называются «данными для обучения», после того, как вы их обучите, вы можете классифицировать свои данные .

Что мы понимаем под обучением?

Словарь Lexico определяет обучение как приобретение знаний или навыков посредством учебы, опыта или обучения (Lexico Dictionaries, 2019).

Из этого определения важно отметить, что обучение должно происходить на основе опыта взаимодействия с окружающей средой, обучением не считаются все те навыки или знания, которые являются врожденными у человека или которые приобретаются в результате его естественного роста. Следуя аналогичной схеме, мы рассмотрим обучение тому, чему машина может научиться на опыте, а не на распознавании априорно запрограммированных паттернов. Таким образом, центральная задача применения этого определения к контексту вычислений будет состоять в том, чтобы передать машинному опыту объекты, на которых можно тренироваться.

Как это работает?

Главной задачей каждого учащегося является развитие способности обобщать и ассоциировать. Когда мы переводим это на машину или компьютер, это означает, что они должны быть в состоянии выполнять точно и аккуратно, как в знакомых задачах, так и в новых или непредвиденных действиях.

И как это возможно?

Заставляя их копировать когнитивные способности человека, формируя модели, которые «обобщают» информацию, которая им предоставляется, чтобы делать свои прогнозы. И ключевым компонентом всего этого являются данные.

На самом деле происхождение и формат данных не столь важны, так как машинное обучение способно усваивать широкий спектр этих, так называемых, больших данных, но воспринимает их не как данные, а скорее как огромный список практических примеров.

Можно сказать, что их алгоритмы делятся в основном на три основные категории: контролируемое обучение (supervised learning), неконтролируемое обучение (unsupervised learning) и обучение с подкреплением (reinforcement learning).

Контролируемое обучение

Это зависит от ранее размеченных данных, так как может случиться так, что компьютеру удалось различить изображения автомобилей, самолетов. Для этого нормальным является то, что эти ярлыки или ярлыки размещаются людьми для обеспечения эффективности и качества данных.

Другими словами, это проблемы, которые мы уже решили, но которые будут возникать в будущем. Идея состоит в том, что компьютеры учатся на множестве примеров, а оттуда они могут выполнять остальные необходимые вычисления, чтобы нам не приходилось повторно вводить какую-либо информацию.

Например, при обучении с учителем алгоритм может получать данные с изображениями акул, помеченными как рыба, и изображениями океанов, помеченными как вода. Обучаясь на этих данных, алгоритм контролируемого обучения должен уметь идентифицировать немаркированные изображения акул как рыб и немаркированные изображения океана как воду (Tagliaferri, 2017).

обучение без учителя

В этой категории происходит то, что алгоритм является результатом любой метки без учета каких-либо предыдущих указаний. Вместо этого вам предоставляется большой объем данных с характеристиками объекта.

в качестве примера у нас есть кластеризация. Кластеризация — это метод, который включает в себя группировку точек данных.

Теоретически точки данных, находящиеся в одной группе, должны иметь схожие свойства и/или характеристики, в то время как точки данных в разных группах должны иметь сильно различающиеся свойства и/или характеристики.

Таким образом, он использовался во многих приложениях на протяжении десятилетий, включая:

  • Биология, для генетической и видовой группировки
  • Медицинская визуализация для различения различных видов тканей.
  • Исследование рынка для понимания различных групп предприятий и клиентов на основе некоторых атрибутов.
  • Системы рекомендаций, такие как предоставление вам лучших предложений Amazon (Сейф, 2018 г.)

Обучение с подкреплением
В данном конкретном случае основой обучения является подкрепление. Машина способна учиться на основе тестов и ошибок в ряде различных ситуаций.

Хотя вы знаете результаты с самого начала, вы не знаете, как лучше всего их получить.

Обучение с подкреплением относится к целенаправленным алгоритмам (последовательности или серии инструкций, которые представляют собой решение определенной проблемы), которые учат, как достичь сложной задачи (цели) или максимизировать по определенному измерению за множество шагов; например, максимизировать очки, выигранные в игре за множество ходов. Они могут начать с чистого листа и при правильных условиях достичь сверхчеловеческой производительности. Подобно ребенку, которого поощряют шлепками и конфетами, эти алгоритмы наказываются, когда принимают неправильные решения, и вознаграждаются, когда принимают правильные — это и есть поощрение.

Глубокое обучение

Глубокое обучение можно определить как подмножество машинного обучения, в котором алгоритмы создаются и работают аналогично алгоритмам машинного обучения, но существует множество уровней этих алгоритмов, каждый из которых обеспечивает различную интерпретацию данных, из которых он кормит. Эта сеть алгоритмов называется искусственными нейронными сетями, которые названы так, что их работа вызывает вдохновение, или можно сказать; попытка имитировать функцию человеческих нейронных сетей, присутствующих в мозгу.

Сети глубокого обучения не требуют вмешательства человека, поскольку слои, вложенные в нейронные сети, размещают данные через иерархии различных концепций, которые в конечном итоге учатся на своих собственных ошибках. Однако даже они могут привести к неверным результатам, если качество данных недостаточно хорошее.

Применения машинного обучения

Финансовые услуги

Технология машинного обучения может защитить компании, занимающиеся финансами, от финансового мошенничества, которое может произойти в будущем. Помимо этого, машинное обучение может помочь предсказать предстоящие возможности, которые могут быть реализованы для дальнейших инвестиций (Рональд, 2019).

Виртуальные личные помощники

Siri, Alexa, Google Now — вот некоторые из примеров виртуальных личных помощников, которые помогают в предоставлении информации. Вам просто нужно спросить голосом, и вы мгновенно получите результат по запросу (Рональд 2019).

Маркетинг и продажи

С помощью технологии машинного обучения вы сможете анализировать историю покупок клиентов и предлагать эти продукты в рекомендациях, чтобы клиенты покупали их в следующий раз (Рональд, 2019).

Прогнозы во время путешествия

Технология машинного обучения здесь предсказывает предстоящий трафик в пути, поскольку в это время ваше текущее местоположение и скорость связаны с GPS, а ваше текущее местоположение и скорость связаны с центральным сервером управления трафиком (Рональд, 2019).

Библиография

DigitalOcean. (2017, 11 декабря). Введение в машинное обучение. Получено с https://www.digitalocean.com/community/tutorials/an-introduction-to-machine-learning

Обучение | Определение обучения на английском языке словарями Lexico. (н.д.). Получено с https://www.lexico.com/en/definition/learning

Рональд, Дж., и Рональд, Дж. (2019, 29 апреля). 6 лучших приложений машинного обучения. Получено с https://hackernoon.com/machine-learning-applications-393f493f871a

Сейф Г. и Сейф Г. (20 ноября 2018 г.). Простое введение в неконтролируемое обучение с 4 основными методами. Получено с https://towardsdatascience.com/an-easy-introduction-to-unsupervised-learning-with-4-basic-techniques-897cb81979fd