Что такое машинное обучение?
Слово «машина» — это термин, пришедший из 19 века в науку и технику. Это значит делать что-то, следуя правилу. Теперь правило в машинном обучении означает объединение данных вместе для создания решения, в отличие от фиксированного правила чего-либо, например эмпирического правила. В машинном обучении вы можете думать о машинном обучении как о наборе правил, которые были объединены для получения окончательного решения. Тот
окончательное решение — это то, что мы называем данными.
В нашем опыте в области науки о данных и интеллектуального анализа данных вы можете столкнуться с термином машинное обучение, но вы также можете встретить слово «машина». Машинное обучение — это процесс объединения данных для прогнозирования. И когда вы объединяете данные из разных источников, лучший способ сделать это — использовать методы машинного обучения. Например, первым методом машинного обучения, который мы использовали для создания этого веб-сайта, был набор данных из тысяч реальных отзывов из поисковой системы Google. Затем из этого набора данных мы узнали, насколько важно для пользователей ставить пять звезд продуктам, которые им понравились. Поэтому мы создали алгоритм машинного обучения, который научился сравнивать оценки пользователей с оценками продуктов, которые они уже пробовали.
Этот алгоритм машинного обучения лежит в основе того, как мы оцениваем наши приложения. Мы использовали машинное обучение для создания системы ранжирования, оценивая наши приложения по различным факторам, начиная от отзывов и заканчивая ценой и качеством приложения. Машинное обучение также можно применять к новым типам приложений, таким как самоуправляемые автомобили и интеллектуальные персональные помощники, где оно используется для предсказания действий, которые пользователь может предпринять с помощью устройства, и для информирования о новых действиях.
Но как работает машинное обучение? Допустим, мы с вами пытаемся принять решение лучше, чем эксперт. Если вы дадите мне только одну рекомендацию, смогу ли я найти вашу лучшую рекомендацию? Если вы попросите меня оценить мои приложения, смогу ли я найти самые полезные? Давайте посмотрим, как машинное обучение может помочь.
Допустим, я попросил вас оценить качество ваших приложений. Найдёте ли вы лучшее для себя? Это гипотетический пример, который не соответствует действительности и не отражает реальную действительность. У вас может быть более одной рекомендации каждого типа или даже более одной рекомендации одного типа. Было бы очень сложно понять фактическое качество рекомендаций, которые вы получите, так как же мы можем использовать машинное обучение для улучшения нашего приложения?
Позвольте мне проиллюстрировать. Я начну с выбора полезного для меня типа рекомендации, а затем попытаюсь оценить качество этой рекомендации. Затем я использую информацию о типе рекомендации, чтобы определить, каким должно быть фактическое качество, чтобы мой набор данных был немного более реалистичным. Начну с кучи рекомендаций, а потом попробую спрогнозировать, какими они должны быть. Итак, как бы я подошел к этому?
Это легко: просто вставьте эти слова в программу Python, которую я только что написал, и посмотрите, что она ответит. Я начну с области рекомендаций и посмотрю, какие типы прогнозов он делает, а затем пойду на один уровень глубже и посмотрю, насколько хороши прогнозы. Модель пытается сказать мне что-то вроде: сколько людей порекомендовали бы мне это. Затем я могу использовать это для улучшения своего приложения.
Это довольно забавная, полезная и захватывающая часть программирования.
Настоящая задача состоит в том, чтобы придумать очень простую модель и посмотреть, сколько времени потребуется, чтобы она стала полезной, а также очень точно указать, какие прогнозы полезны.
Что же такое рекомендательная система?
Я не думаю, что есть слишком много вещей, которые можно сделать с помощью системы рекомендаций или любой компьютерной программы, если уж на то пошло.
Можно посмотреть на функцию распределения вокруг заданного слова и увидеть, как она предсказывает, какой будет следующая буква слова или даже насколько вероятно, что оно будет найдено где-то в словаре.
Например, если слово часто используется для определенной цели (например, «любимый», «милый», «крутой» и т. д.), то можно предсказать, что человек имеет высокие шансы найти это слово, если попытается найти его. вспомнить любимое дело человека.
Другим приложением, которое я представляю для такого рода системы, было бы что-то вроде распознавателя речи смартфона; телефон попытается распознать слова, которые он слышал раньше, и сделать выводы на основе сходства этих слов. Это звучит как слишком много работы, но объема данных, доступных на телефоне, может быть достаточно для создания работающей системы. Это была бы неплохая технология.
Теперь часть склепа!
Приведенная выше история полностью сгенерирована (написана) искусственным интеллектом, обученным моему техническому стилю письма!
