Введение:
Человек всегда ищет способы повысить производительность, используя меньше человеческого труда. Сегодня эпоха машин. Мы используем в повседневной жизни множество видов техники, чтобы эффективнее выполнять свои обязанности. Предположим, вы сохранили все прошлые записи своей компании на ПК. Ваш компьютер может учиться и адаптироваться, используя закономерности и алгоритмы из прошлых записей. Без явных команд ваш компьютер изучает прежние данные и делает выводы, прогнозируя будущие результаты на основе существующих записей. Всё это возможно благодаря машинному обучению.
Что такое машинное обучение?
Это применение искусственного интеллекта, позволяющее системе учиться и совершенствоваться на опыте без явного программирования. По сути, это система, способная учиться на данных, выявлять закономерности и принимать решения практически без участия человека.
Какова предыстория машинного обучения?
Алан Тьюринг предложил тест Тьюринга в 1950 году. Алан Тьюринг был британским математиком и специалистом в области информатики, талантливым и влиятельным. Этот тест был создан, чтобы определить, обладает ли машина интеллектом человека.
Кто создал машинное обучение?
Многие люди внесли вклад в развитие машинного обучения, но термин «машинное обучение» придумал в 1952 году Артур Сэмюэл, специалист по информатике из IBM.
Для чего нужно машинное обучение?
Цель машинного обучения — уловить или найти закономерности в ваших данных, а затем делать оценки на основе этих закономерностей, которые, как правило, сложны, чтобы решать бизнес-задачи. Определяйте и анализируйте закономерности и конструкции, помогающие решать проблемы.
В бизнесе и других сферах машинное обучение — это по сути технология анализа данных, работающая за счёт автоматизации процесса создания моделей данных.
Как работает машинное обучение?
Сколько существует типов машинного обучения?
Существует четыре типа машинного обучения.
Обучение с учителем:
В этом виде машинного обучения специалисты по данным предоставляют алгоритмам размеченные обучающие данные и задают переменные, между которыми программа должна искать связи. Предоставляются и входные, и выходные данные алгоритма.[1]
Обучение без учителя:
Алгоритмы, которые обучаются на неразмеченных данных, используются в этом виде машинного обучения. Программа ищет значимые взаимосвязи в наборах данных. Данные, на которых обучаются алгоритмы, а также прогнозы или рекомендации, которые они выдают, заранее определены.[1]
С частичным привлечением учителя:
Этот метод машинного обучения объединяет два предыдущих. Хотя специалисты по данным могут предоставить алгоритму в основном «обучающие данные», модели позволяется самостоятельно исследовать данные и выработать собственное понимание набора данных.[1]
Обучение с подкреплением:
Обучение с подкреплением обычно используется специалистами по данным, чтобы научить машину выполнять многошаговую процедуру с чётко заданными критериями. Специалисты по данным обучают алгоритм выполнять задачу и подают ему положительные или отрицательные сигналы по мере того, как он решает, как завершить работу. Однако в основном алгоритм сам выбирает, какие действия предпринимать по ходу дела.[1]
Какие преимущества даёт машинное обучение?
- Автоматизация всего
- Выявление тенденций и закономерностей
- Широкий спектр применения
- Возможности для улучшения
- Эффективная обработка данных
- Лучше всего подходит для образования и интернет-торговли
Каковы недостатки машинного обучения?
- Возможность высокой погрешности
- Выбор алгоритма
- Сбор данных
- Время и пространство
Вывод:
Машинное обучение — это подобласть искусственного интеллекта. Это система, в которой компьютеры используют огромный объём данных и алгоритмы, чтобы «обучать» самих себя и строить прогнозы без опоры на явное программирование. Машинное обучение — это просто метод анализа данных, который работает за счёт автоматизации процесса построения моделей данных в бизнесе и других областях.
- Burns, E.machine learning. Доступно по адресу: https://www.techtarget.com/searchenterpriseai/definition/machine-learning-ML.
Типы машинного обучения
| Тип | Учится на | Пример |
|---|---|---|
| С учителем | Размеченные примеры | Обнаружение спама, прогнозирование цен |
| Без учителя | Неразмеченные данные | Сегментация клиентов |
| С частичным привлечением учителя | Мало меток + много неразмеченных данных | Классификация изображений при ограниченном числе меток |
| С подкреплением | Вознаграждение за действия | Игры, робототехника |
Машинное обучение, которым вы уже пользуетесь
Фильтры спама в почте, прогнозы дорожной обстановки на картах, рекомендации видео и товаров, голосовой ввод и разблокировка по лицу — всё это основано на машинном обучении.
Машинное обучение, ИИ и глубокое обучение
ИИ — это общая цель создания интеллектуальных машин; машинное обучение — это подход обучения на данных; глубокое обучение использует многослойные нейронные сети. См. что такое искусственный интеллект.
