Что такое машинное обучение? Что такое алгоритмы машинного обучения? Каковы популярные примеры машинного обучения?

Hosting Fozzy

Машинное обучение — это разновидность искусственного интеллекта, которая дает системам возможность обучаться и оптимизировать процессы без необходимости последовательного программирования. Проще говоря, машинное обучение использует данные, статистику, пробы и ошибки, чтобы «выучить» конкретную задачу без необходимости специально кодировать ее.

Что такое машинное обучение? Что такое алгоритмы машинного обучения? Каковы популярные примеры машинного обучения?

Что такое машинное обучение?

Машинное обучение — очень многообещающая область искусственного интеллекта, где системы могут «обучаться» с помощью данных, статистики, проб и ошибок, чтобы оптимизировать процессы и внедрять инновации более быстрыми темпами. Машинное обучение дает компьютерам возможность развивать способности к обучению, подобные человеческим, что позволяет им решать некоторые из самых сложных мировых проблем, начиная от исследования рака и заканчивая изменением климата.

Как именно машинное обучение делает компьютеры более похожими на людей?

Большинство компьютерных программ полагаются на код, который сообщает им, что выполнять или какую информацию сохранять (более известное как явное знание). Эти знания содержат все, что легко записать, например, учебники, видео или руководства. Благодаря машинному обучению компьютеры теперь получают неявные знания, которые мы получаем из личного опыта и контекста. Этот тип знаний трудно передать от одного человека к другому посредством письменного или устного общения.

Например, распознавание лиц — это тип неявного знания. Мы узнаем лицо человека, но нам трудно точно описать, как и почему мы его узнаем. Мы полагаемся на наши личные банки знаний, чтобы неявно соединить точки, чтобы немедленно распознать человека по его лицу. Другой пример — езда на велосипеде. Гораздо проще показать кому-то, как ездить на велосипеде, чем объяснить.

Компьютерам больше не нужно полагаться на миллиарды строк кода для выполнения вычислений. Машинное обучение дает компьютерам силу неявных знаний, которые позволяют этим машинам устанавливать связи, обнаруживать закономерности и делать прогнозы на основе того, что они узнали в прошлом. Использование неявных знаний в машинном обучении сделало его популярной технологией практически во всех отраслях, от финансовых технологий до погоды и правительства.

Что такое глубокое обучение?

Глубокое обучение — это подобласть машинного обучения, набирающая популярность благодаря своей способности извлекать данные. Оно использует искусственные нейронные сети (ИНС) для извлечения функций более высокого уровня из необработанных данных. ИНС, хотя и сильно отличающиеся от человеческого мозга, были вдохновлены тем, как люди биологически обрабатывают информацию. Обучение, которое делает компьютер, считается «глубоким», потому что сети используют многослойность для обучения и интерпретации необработанной информации.

Например, глубокое обучение является важным активом для обработки изображений во всем, от электронной коммерции до медицинских изображений. Google оснащает свои программы глубоким обучением, чтобы обнаруживать закономерности в изображениях, чтобы отображать правильное изображение для того, что вы ищете. Если вы ищете зимнюю куртку, машина Google и глубокое обучение объединятся, чтобы обнаружить шаблоны на изображениях (размеры, цвета, формы, соответствующие названия брендов и т. д.), которые отображают подходящие куртки, которые удовлетворяют вашему запросу. Глубокое обучение также решает проблемы в радиологии, патологии и любом медицинском секторе, который в значительной степени зависит от изображений. Технология опирается на свои неявные знания (из изучения миллионов других сканирований) для немедленного распознавания болезни или травмы, экономя время и деньги врачей и больниц.

Популярные типы алгоритмов машинного обучения

Как и всем системам с ИИ, машинному обучению нужны алгоритмы для установки параметров, действий и конечных значений. Программы с поддержкой машинного обучения используют эти алгоритмы в качестве руководства при изучении различных вариантов и оценке различных факторов. Компьютеры используют сотни алгоритмов, основанных на нескольких факторах, таких как размер и разнообразие данных. Ниже приведены несколько наиболее популярных типов алгоритмов машинного обучения.

Контролируемое обучение

Алгоритмы обучения с учителем строят математические модели данных, которые содержат как входную, так и выходную информацию. Компьютерные программы машинного обучения постоянно получают эти наборы алгоритмов, поэтому программы могут в конечном итоге предсказывать результаты на основе нового набора входных данных.

Hosting CityHost

Алгоритмы регрессии и классификации являются двумя наиболее популярными алгоритмами обучения с учителем. Регрессионный анализ используется для обнаружения и прогнозирования взаимосвязей между переменными результата и одной или несколькими независимыми переменными. Этот алгоритм, широко известный как линейная регрессия, используется в качестве обучающих данных, чтобы помочь системам прогнозировать. Алгоритмы классификации используются для обучения систем идентификации объекта и помещения его в подкатегорию. Например, фильтры электронной почты используют машинное обучение для автоматизации входящих потоков электронной почты для основных, рекламных и спам-почтовых ящиков.

Неконтролируемое обучение

Алгоритмы обучения без учителя берут данные, содержащие только входные данные, а затем добавляют структуру к данным в форме кластеризации или группировки. Алгоритмы извлекают уроки из предыдущих тестовых данных, которые не были помечены или классифицированы, а затем группируют необработанные данные на основе общих черт (или их отсутствия). Кластерный анализ использует неконтролируемое обучение для сортировки гигантских озер необработанных данных, чтобы сгруппировать определенные точки данных вместе. Кластеризация — популярный инструмент для интеллектуального анализа данных, и он используется во всем, от генетических исследований до создания виртуальных сообществ в социальных сетях с единомышленниками.

Полуконтролируемое обучение

Обучение с полуучителем находится прямо между обучением без учителя и обучением с учителем. Вместо того, чтобы предоставлять программе все помеченные данные (как при обучении с учителем) или не предоставлять помеченные данные (как при обучении без учителя), в эти программы подается смесь данных, которая не только ускоряет процесс машинного обучения, но и помогает машинам идентифицировать объекты и обучаться с повышенной точностью.

Обычно программисты вводят небольшое количество размеченных данных с большим процентом неразмеченной информации, и компьютеру приходится использовать группы структурированных данных для кластеризации остальной информации. Это считается многообещающим алгоритмом, потому что маркировка контролируемых данных рассматривается как масштабное мероприятие из-за высоких затрат и сотен часов.

Вот удобный способ запомнить алгоритмы машинного обучения с точки зрения непрофессионала. Обучение под наблюдением похоже на то, как если бы вы были учеником, и учитель постоянно присматривал за вами в школе и дома. Неконтролируемое обучение предлагает учащемуся самостоятельно разобраться в концепции. Полуконтролируемое обучение похоже на то, чтобы дать ученику урок, а затем проверить его по вопросам, относящимся к этой теме. Каждый тип алгоритма имеет свои преимущества и недостатки в машинном обучении и используется в зависимости от параметров и потребностей специалиста по данным или инженера.

Примеры и приложения машинного обучения

Финансовые услуги

Индустрия финансовых услуг поддерживает машинное обучение за его уникальную способность ускорять процессы с высокой степенью точности и успеха. Эта технология используется практически во всех аспектах наших финансовых систем. То, на что у людей уходили часы, дни или даже недели, теперь может быть выполнено за считанные минуты. American Express ежегодно обрабатывает транзакции на сумму более 1 триллиона долларов США по более чем 110 миллионам своих кредитных карт. Компания полагается на машинное обучение для управления своими данными, выявления тенденций расходов и предложения клиентам индивидуального подхода.

Кроме того, машинное обучение используется кредитными компаниями для управления и прогнозирования рисков. Эти компьютерные программы учитывают прошлую кредитную историю соискателя кредита, а также тысячи других данных, таких как сотовый телефон и арендная плата, чтобы оценить риск кредитной компании. Принимая во внимание другие данные, кредиторы могут предлагать кредиты гораздо более широкому кругу лиц, которые не могли получить кредиты традиционными методами.

Торговые фирмы используют машинное обучение, чтобы накопить огромное количество данных и определить оптимальные цены для совершения сделок. Эти сложные алгоритмы высокочастотной торговли учитывают тысячи, если не миллионы точек финансовых данных, чтобы покупать и продавать акции в нужный момент.

Здравоохранение

Индустрия здравоохранения поддерживает машинное обучение как инструмент для управления медицинской информацией, открытия новых методов лечения и даже обнаружения и прогнозирования заболеваний. Медицинские работники, оснащенные компьютерными системами машинного обучения, могут легко просматривать медицинские записи пациентов без необходимости копаться в файлах или иметь цепочки связи с другими подразделениями больницы. Обновленные медицинские системы теперь могут в мгновение ока получать соответствующую медицинскую информацию о каждом пациенте.

Прогнозируется, что искусственный интеллект и машинное обучение сэкономят отрасли здравоохранения около 150 миллиардов долларов в год из-за времени и ресурсов, которые они экономят при разработке лекарств. Инструменты искусственного интеллекта с поддержкой машинного обучения работают вместе с разработчиками лекарств, чтобы создавать лекарства быстрее, чем когда-либо прежде. По сути, эти инструменты машинного обучения получают миллионы точек данных и настраивают их таким образом, чтобы помочь исследователям увидеть, какие соединения являются успешными, а какие нет. Вместо того, чтобы тратить миллионы человеко-часов на каждое испытание, технологии машинного обучения могут производить эффективные лекарственные соединения за недели или месяцы.

Машинное обучение сделало обнаружение и прогнозирование заболеваний намного более точным и быстрым. В настоящее время машинное обучение используется отделениями радиологии и патологии во всем мире для анализа компьютерных и рентгеновских снимков и выявления заболеваний. После обработки тысяч изображений болезней с помощью комбинации контролируемых, неконтролируемых или полуконтролируемых алгоритмов некоторые системы машинного обучения настолько продвинуты, что могут выявлять и диагностировать заболевания (например, рак или вирусы) с большей скоростью, чем люди. Машинное обучение также использовалось для прогнозирования смертельных вирусов, таких как Эбола и малярия, и используется CDC для ежегодного отслеживания случаев заражения вирусом гриппа.

Социальные медиа

Машинное обучение используется социальными сетями по двум основным причинам: создать чувство общности и отсеять злоумышленников и вредоносную информацию. Машинное обучение способствует первому, просматривая страницы, твиты, темы и т. д., которые нравятся человеку, и предлагая другие темы или страницы сообщества на основе этих лайков. По сути, это использование ваших предпочтений как способ привести в действие механизм рекомендаций в социальных сетях.

Массовое распространение «фейковых новостей» во время выборов 2016 года побудило социальные сети, такие как Facebook и Twitter, поставить машинное обучение на передний план своих систем. Просто машины быстрее людей выявляют ложные новости и удаляют их до того, как они станут проблемой. И Twitter, и Facebook используют модернизированные компьютерные системы, чтобы быстро выявлять вредоносные шаблоны ложной информации, помечать вредоносных ботов, просматривать сообщаемый контент и при необходимости удалять его, чтобы создавать онлайн-сообщества на основе правды.

Розничная торговля и электронная коммерция

Индустрия розничной торговли быстро полагается на машинное обучение из-за его способности оптимизировать продажи и собирать данные об индивидуальных покупательских предпочтениях. Машинное обучение предлагает розничным продавцам и интернет-магазинам возможность делать предложения о покупках на основе кликов пользователя, лайков, прошлых покупок и т. д. Как только клиенты почувствуют, что розничные продавцы понимают их потребности, они с меньшей вероятностью отклонятся от этой компании и купят больше товаров. Такое использование машинного обучения повышает удовлетворенность клиентов и максимизирует прибыль розничных продавцов.

Визуальный поиск становится важной частью шоппинга. Вместо того, чтобы вводить запросы, клиенты теперь могут загрузить изображение, чтобы показать компьютеру именно то, что они ищут. Машинное обучение проанализирует изображение (с использованием слоев) и выдаст результаты поиска на основе своих выводов. Например, вы можете загрузить фотографию красного свитера, которую нашли в Instagram. Оттуда система, основанная на машинном обучении, подберет именно этот свитер, а затем другие предложения, основанные на том же образе, в течение миллисекунд.

Машинное обучение также помогает прогнозировать тенденции и поведение клиентов. Эти машины будут целостно рассматривать отдельные покупки, чтобы определить, какие типы товаров продаются (и какие товары будут продаваться в будущем). Например, возможно, новая еда была признана «супер едой». Системы продуктового магазина могут определять увеличение количества покупок этого продукта и могут отправлять покупателям купоны (или создавать целевую рекламу) для всех вариантов этого продукта. Кроме того, система может просматривать отдельные покупки, чтобы отправлять вам купоны на будущее. Может быть, например, вы просматривали одежду для новорожденных. Системы машинного обучения розничного продавца определят, что вы беременны или родитель, и предложат вам товары, которые, по их мнению, будут полезны вашему новому ребенку.

Hosting Fozzy

Оцените статью
Поделиться с друзьями
Валерий Матафонов

Автор блога WM-IT.pro. Занимаюсь разработкой и оптимизацией сайтов с 2010 года.

WM-IT.pro - Блог об информационных технологиях
Добавить комментарий