Пол Дауни | Flickr
Машинното обучение е фраза, която все по-често се обвързва, но мнозина все още не знаят какво точно е . Разбира се, има причина за това. Все още е в много ранен стадий и мнозина приемат, че това не е нещо, което засега общото население. Всъщност това може би не е толкова вярно, колкото някои приемат.
И така, какво е машинно обучение? И за какво се използва днес? Ето нашето ръководство за всичко, което трябва да знаете за машинното обучение.
Какво е машинно обучение?
Машинното обучение, просто казано, е форма на изкуствен интелект, която позволява на компютрите да учат без излишно програмиране. С други думи, софтуерът е в състояние да научи нови неща самостоятелно, без програмист или инженер да се нуждае от „научаване“ на всичко. Машинното обучение е в състояние да приема данни и да открива модели и да намира решения, след което ги прилага при други проблеми.
Изображение: K? Rlis Dambr? Ns | Flickr
Важно е да се отбележи, че машинното обучение като концепция изобщо не е ново - трудно е да се проследи точният произход на концепцията, като се има предвид, че тя се слива в и от други форми на технологията. Можете да спорите, че машинното обучение датира чак от създаването на теста на Тюринг, който се използва за определяне дали компютърът има интелигентност. Първата компютърна програма, която научи обаче, беше игра на шашки, която беше разработена през 1952 г. от Артур Самуел. Тази игра стана по-добра колкото повече играеше.
Последните технологии обаче драстично подобряват машинното обучение. Например машинното обучение изисква прегърнати количества технологична мощност, така че едва сега започнахме да можем да разработваме основно машинно обучение в най-новата история.
Има няколко основни начина, по които програмистите прилагат машинно обучение. Първият се нарича „контролирано обучение“. Това, което всъщност означава, е, че машината се захранва с проблеми, при които се знае решението на проблема. Алгоритъмът на обучение е в състояние да получи тези проблеми заедно с желаните резултати, като идентифицира моделите на проблемите и действа съответно. Контролираното обучение често се използва за прогнозиране на бъдещи събития - например, когато транзакцията с кредитна карта може да бъде измамна.
Втората реализация на машинното обучение се нарича „неподдържано обучение“. В този случай резултатът от проблем не се дава на софтуера - вместо това се подават проблеми и трябва да се открият модели в данните. Целта тук е да се намери структура в данните, които са дадени.
На трето място е „полууправляемото обучение“. Този метод на машинно обучение често се използва за същите неща като контролираното обучение, но за него са необходими данни с решение и данни без. Полу-контролираното обучение често се прилага, когато средствата са ограничени и компаниите не са в състояние да предоставят пълен набор от данни за учебния процес.
Не на последно място е „укрепване на обучението“, което се използва специално за неща като игри и роботи. Укрепването на обучението се преподава основно чрез опити и грешки - машината опитва нещата и се учи въз основа на своите успехи или неуспехи. Целта тук е машината да установи най-добрите възможни резултати.
Разбира се, всички тези методи на машинно обучение включват захранване на машина със стотици хиляди проблеми и огромни количества данни. Наистина, колкото повече данни, толкова по-добре.
Къде се използва машинно обучение днес?
Снимки на парите | Flickr
Всъщност има много места, в които днес се използва машинно обучение. Много от тях са зад кулисите, но може да се изненадате, като знаете, че много от тях също са нещо, което използвате всеки ден.
Може би този, който използвате най-много, е в личния ви асистент - точно така, харесванията на Siri и Google Now използват машинно обучение, до голяма степен за по-добро разбиране на речевите модели. С толкова милиони хора, които използват Siri, системата е в състояние сериозно да напредне в това как се отнася към езиците, акцентите и т.н.
Разбира се, Siri не е единственото потребителско приложение за машинно обучение. Друга употреба е в банкирането, като разкриване на измами. Например, алгоритмите за машинно обучение могат да проследяват моделите на разходите, като определят кои модели са по-склонни да бъдат измамни въз основа на минала измамна дейност.
Всъщност дори имейлът ви може да използва машинно обучение. Например спам имейлите са проблем и те се развиват с течение на времето. Системите за електронна поща използват машинно обучение за проследяване на спам модели и как се променят спам имейлите, след което ги поставят в папката си със спам въз основа на тези промени.
Заключения
Машинното обучение е определено като голяма част от начина, по който използваме технологиите напред и как технологиите могат да ни помогнат. От Siri до US Bank машинното обучение става все по-широко разпространено и това е вероятно само да продължи.
