Машинное обучение для всех, кто ничего об этом не знает!

В настоящее время все люди имеют дело с мобильными телефонами, планшетами, компьютерами и всеми этими «умными» устройствами каждый день, что облегчает нашу жизнь со всеми вещами, которые нам предлагают эти вещи, но эти устройства на самом деле не самые умные, как мы думаем. . Эти устройства просто выполняют приказы, которые мы им отдали. Например, если мы отдаем приказ сделать звонок, нажимая значок телефона, мобильный телефон сделает это за нас, или если мы скажем Siri или Alexa включить какую-нибудь музыку, музыка будет включена, или если мы дадим Приказ фары выключить или включить, фары сделают это. Итак, как мы видим на этих простых примерах, ничего из перечисленного не может быть сделано само по себе, их нужно и нужно выполнять.

Когда мы смотрим в Интернет, чтобы прочитать о машинном обучении, мы можем найти сложные или простые статьи, объясняющие это. Но здесь мы пытаемся объяснить проще, что такое машинное обучение. Давайте начнем!

Машинное обучение — очень популярная тема; все об этом говорят, но мало кто знает, что с этим делать и как это работает на самом деле.

Давайте предположим, что Сара хочет купить машину. Она проверяет в Интернете и понимает, что новая машина стоит, например, 20 000 долларов. Она также видит годовалую машину, которая стоит 19 000 долларов, и двухлетнюю машину, которая стоит 18 000 долларов, и так далее. Сара находит закономерность; цена снижается на 1000 долларов каждый год. Это то, что мы знаем как регрессию в машинном обучении, и это способ прогнозирования некоторого значения на основе исторических данных. Этот пример объясняет одну из основ машинного обучения, которое прогнозирует результаты на основе исторических данных.

Машинное обучение состоит из трех основных компонентов

Машинное обучение — это текущее применение искусственного интеллекта, основанное на идее, что мы действительно должны просто предоставить машинам доступ к данным и позволить им учиться самостоятельно. На самом деле ключевая идея машинного обучения заключается в том, что можно создавать алгоритмы, которые учатся на данных и делают на их основе прогнозы.

Для того, чтобы «воспитать» машину, вам нужны эти 3 компонента:

ДАННЫЕ: отдельные единицы информации, используемые для целей анализа. Получить данные можно двумя способами: вручную и автоматически. Сбор информации вручную даст меньше ошибок, чем другой, но займет гораздо больше времени, что делает его дорогим способом. Автоматический сбор информации дешевле, но не так точен, как ручной.

ФУНКЦИИ: параметры или переменные. Факторы, на которые стоит обратить внимание при выборе машины. Характеристики — это просто переменные, наблюдаемое явление, которое можно измерить и записать. Например, приложение пытается определить вероятность сердечных заболеваний у пациентов. Каковы возможные особенности? Это могут быть: пол, возраст, рост, вес, артериальное давление и другие.

АЛГОРИТМЫ: последовательность инструкций, используемых для решения проблемы. Любую проблему можно решить по-разному. Каждый метод имеет разную точность, производительность и размер.

Обучение и интеллект

Системы искусственного интеллекта (ИИ) — это машины, которые думают и действуют так же, как люди. У них есть интеллектуальный мозг, как и у людей, а машинное обучение — это метод, подход или процесс реализации искусственного интеллекта, который включает в себя анализ огромных объемов данных, обучение на этих данных и построение прогнозов на их основе.

«Искусственный интеллект — это технология, с помощью которой можно создавать интеллектуальные системы, способные имитировать человеческий интеллект»

«Машинное обучение — это область искусственного интеллекта, которая позволяет машинам учиться на основе прошлых данных или опыта без явного программирования».

Цитаты взяты из: javatpoint

Давайте дадим определение каждому из этих терминов простыми словами.

Ø Искусственный интеллект.это более широкая концепция машин, способных выполнять задачи способом, который мы бы назвали «умным». ИИ — это название целой области знаний, такой же, как математика, биология, химия, физика. Итак, как вы можете видеть на изображении, это большой круг вокруг остальных.

Позволяет машинам учиться на собственном опыте, приспосабливаться к новым данным и выполнять задачи, подобные человеческим. Например, такие машины могут перемещать объекты и манипулировать ими, распознавать, движется ли кто-то, или решать другие сложные задачи.

Ø Машинное обучение.это одна из областей, в которых используется ИИ. Это подмножество ИИ, необходимое для того, чтобы машины могли учиться на данных и использовать закономерности, которые он обнаруживает с их помощью, для принятия решений.

Ø Глубокое обучение: это метод использования нейронных сетей. пытается эмулировать процесс человеческого мышления, каждый раз, когда мы получаем новую информацию, мозг пытается сравнить ее с известным элементом, прежде чем понять ее, что является той же концепцией, которую используют алгоритмы глубокого обучения, с помощью модели, называемой нейронными сетями.

Мы можем разделить машинное обучение на два разных класса

Простым способом:

давайте поговорим о каждом:

Обучение под наблюдением. Давайте возьмем пример: вам нужна машина, которая предсказывает, сколько времени вам потребуется, чтобы доехать от дома до работы. Вы должны обучить эту машину, и вам нужно создать некоторые данные этикетки, которые включают, например, погодные условия, время суток и праздники. Эти данные будут вводными. Результатом будет время, которое вам потребуется, чтобы доехать до дома через день. Вы понимаете, что когда идет дождь, вам потребуется больше времени, чтобы добраться до дома, а чем больше идет дождь, тем больше времени вам придется провести в машине, чтобы добраться до дома. Таким образом, существует прямая зависимость между количеством дождя и временем, которое требуется вам, чтобы добраться до дома. Также вы знаете, что чем ближе к 18:00, тем больше времени вам потребуется, чтобы добраться до дома. Ваша машина может найти некоторую связь с данными этикетки. И это начало вашей модели данных, начиная с воздействия дождя, когда люди водят машину. А также обратите внимание, что в определенное время дня люди чаще путешествуют с работы домой. Таким образом, мы можем перевести это, сказав, что контролируемое обучение — это обучение, состоящее из правильно соединенных входных и выходных данных.

Подкатегория регрессии простыми словами берет группу случайных переменных для прогнозирования другой переменной и пытается найти математическую взаимосвязь между ними. Например, на финансовых рынках регрессия часто используется для определения того, сколько и какие факторы, такие как цена товара, процентные ставки, отрасли и некоторые сектора, влияют на изменение цены актива.

Подкатегория классификации — это процесс прогнозирования класса заданных точек данных. Примером этого может быть сопоставление изображения кого-либо с мужской или женской классификацией.

Обучение без присмотра. Возьмем случай, когда ребенок узнает домашнего питомца. Домашнее животное — собака. Малыш узнаёт и идентифицирует эту собаку всякий раз, когда видит её. Через несколько недель в дом приходят друзья семьи и приводят собаку. Собака пытается играть с малышом, но малыш никогда раньше не видел эту собаку. Несмотря на то, что ребенок узнает многие признаки, схожие с собаками (2 уха, глаза, ходьба на 4 лапах, лай и т. д.). Это неконтролируемое обучение, когда вы учитесь на основе данных (в данном случае данных о собаке), но вас не учат. Если бы это обучение проходило под присмотром, друзья семьи сказали бы ребенку, что домашнее животное, которое у них есть, это собака. Поэтому мы можем перевести это, сказав, что это способ учиться на примерах.

Теперь мы собираемся рассмотреть некоторые типы неконтролируемого машинного обучения.

Кластеризация: указывает на поиск шаблона в наборе категоризированных данных.

Ассоциация: метод, используемый для поиска взаимосвязи между переменными в данных и определения набора элементов, которые встречаются вместе.

Использование машинного обучения.

Таким образом, машинное обучение — это метод, используемый компьютерами для обучения на основе данных и расчетов с использованием математики, и имеет следующие приложения:

Поиск в Интернете

Как и Google, и другие веб-сайты анализируют время, которое мы тратим на поиск чего-либо, и собираем все данные, чтобы позже предоставить лучшие результаты.

Бизнес-аналитика

Это помогает компаниям принимать более эффективные решения, анализируя все данные, которые у них есть, чтобы использовать лучшие возможности, видеть неудачи, улучшать продажи и многое другое.

Антивирус

Каждый день рождаются новые вирусы или модифицируются существующие версии, поэтому антивирусу недостаточно иметь обновленную базу данных.

Для этого у них есть автоматическое обучение, основанное на поведении вредоносных программ, чтобы обнаруживать и останавливать их.

Прогнозирование в настройках

На таких веб-сайтах, как Google, Amazon или Mercado Libre, даже в социальных сетях, таких как Facebook или Instagram, вы можете заметить, что эти платформы предлагают то, что вы искали раньше. Например, если вы искали компьютер, они начинают рекомендовать места, где можно купить хороший компьютер по хорошей цене, исходя из того, что вы искали ранее, и это связано с применяемыми ими алгоритмами машинного обучения.

Они основаны на поиске и вещах, которые вы купили или скачали, чтобы знать, что они должны вам предложить.

Здоровье

Алгоритмы автоматического обучения способны выявлять и предотвращать такие заболевания, как рак молочной железы, даже за год вперед, напрямую влияя на возможное лечение и вероятность успеха излечения.

Машинное обучение — это тема, которая постоянно растет в наши дни, и эта статья — небольшое введение в то, что такое машинное обучение, его классы и как оно используется в реальной жизни. Спасибо за чтение!

Источники: