Пол Дауни | Flickr
Машинное обучение - фраза, о которой все чаще говорят, но многие до сих пор точно не знают, что это такое . Конечно, есть причина для этого. Он все еще находится на очень ранних стадиях, и многие полагают, что это еще не что-то, что влияет на население в целом. На самом деле, это, возможно, не так верно, как некоторые предполагают.
Так что же такое машинное обучение? И что это используется сегодня? Вот наше руководство по всему, что вам нужно знать о машинном обучении.
Что такое машинное обучение?
Проще говоря, машинное обучение - это форма искусственного интеллекта, которая позволяет компьютерам учиться без какого-либо дополнительного программирования. Другими словами, программное обеспечение способно изучать новые вещи самостоятельно, без необходимости учить программиста или инженера. Машинное обучение может собирать данные, выявлять закономерности и находить решения, а затем применять эти решения к другим проблемам.
Изображение: K? Rlis Dambr? Ns | Flickr
Важно отметить, что машинное обучение как концепция вовсе не нова - трудно проследить точное происхождение концепции, учитывая, что она сливается с другими видами технологий. Можно утверждать, что машинное обучение восходит к созданию теста Тьюринга, который использовался для определения, обладает ли компьютер интеллектом. Однако первой компьютерной программой, в которой обучались, была игра в шашки, разработанная в 1952 году Артуром Самуэлем. Эта игра становилась лучше, чем больше в нее играли.
Однако новейшие технологии значительно улучшают машинное обучение. Например, машинное обучение требует огромного количества вычислительной мощности, настолько, что мы только начали разрабатывать базовое машинное обучение в недавней истории.
Есть несколько основных способов, которыми программисты реализуют машинное обучение. Первый называется «контролируемое обучение». В основном это означает, что машина получает проблемы, когда решение проблемы известно. Алгоритм обучения способен получать эти проблемы вместе с желаемыми результатами, выявлять закономерности в проблемах и действовать соответствующим образом. Контролируемое обучение часто используется для прогнозирования будущих событий, например, когда транзакция по кредитной карте может быть мошеннической.
Вторая реализация машинного обучения называется «обучение без учителя». В этом случае результат проблемы не передается программному обеспечению - вместо этого он вызывает проблемы и должен обнаруживать закономерности в данных. Цель здесь - найти структуру в данных, которые они дают.
Третье - это «обучение под наблюдением». Этот метод машинного обучения часто используется для тех же целей, что и контролируемое обучение, но он берет данные с решением и данные без него. Обучение под наблюдением часто осуществляется, когда средства ограничены, и компании не могут предоставить полные наборы данных для процесса обучения.
Последнее, но не менее важное, это «обучение с подкреплением», которое используется специально для таких вещей, как игры и роботы. Обучение подкреплению в основном преподается методом проб и ошибок - машина пытается что-то делать и учится на основе своих успехов или неудач. Цель состоит в том, чтобы машина могла определить наилучшие возможные результаты.
Конечно, все эти методы машинного обучения включают подачу на машину сотен тысяч проблем и огромных объемов данных. Действительно, чем больше данных, тем лучше.
Где сегодня используется машинное обучение?
Картинки денег | Flickr
На самом деле, есть много мест, в которых машинное обучение используется сегодня. Многие из них находятся за кулисами, однако вы можете быть удивлены, узнав, что многие из них также используются вами каждый день.
Возможно, тот, который вы используете чаще всего, находится в вашем личном помощнике - верно, такие как Siri и Google Now используют машинное обучение, в основном, для лучшего понимания речевых моделей. С таким количеством миллионов людей, которые используют Siri, система может серьезно продвинуться в том, как она относится к языкам, акцентам и так далее.
Конечно, Siri не единственное потребительское приложение машинного обучения. Другое использование в банковской сфере, например, для обнаружения мошенничества. Например, алгоритмы машинного обучения могут отслеживать схемы расходов, определяя, какие схемы с большей вероятностью являются мошенническими, основываясь на прошлой мошеннической деятельности.
На самом деле, даже ваша электронная почта может использовать машинное обучение. Например, спам-сообщения являются проблемой, и они развивались с течением времени. Системы электронной почты используют машинное обучение для отслеживания шаблонов спам-сообщений и их изменения, а затем помещают их в папку для спама на основе этих изменений.
Выводы
Машинное обучение должно стать важной частью того, как мы используем технологии в будущем и как технологии могут помочь нам. От Сири до Банка США, машинное обучение становится все более распространенным, и это только будет продолжаться.
