КАЖДЫЙ МОЖЕТ ПОНЯТЬ О МАШИННОМ ОБУЧЕНИИ
Резюме статей: вы правы: машинное обучение — это просто
ВАЖНОСТЬ БОЛЬШИХ ДАННЫХ, НАУКИ О ДАННЫХ И МАШИННОГО ОБУЧЕНИЯ
Читайте статьи на тему «Вы правы: машинное обучение легко понять».
1 —Введение в машинное обучение
2 — Концепции машинного обучения
3 — Практическое применение машинного обучения
4 — Алгоритмы машинного обучения
6 — Платформы машинного обучения
7 — Проблемы с машинным обучением и ИИ
8 — Большие данные + Наука о данных + Машинное обучение
9 — Резюме статей
9 — Резюме статей
Резюме статей «Вы правы: машинное обучение легко понять»
Из этих статей Вы узнали, что:
- Наука о данных — это практика сбора, организации и оптимизации сложных данных, выявления переменных взаимосвязей, разработки приложений, которые преобразуют данные в идеи.
- Специалисты по данным собирают, исследуют и проверяют целостность данных, используя математические, статистические и вычислительные навыки для создания МОДЕЛЕЙ, таких как прогнозирование поведения потребителей.
- Они могут выполнять эти МОДЕЛИ, используя алгоритмы машинного обучения.
- Машинное обучение — это область компьютерных наук, которая была с нами в течение одного периода, но теперь становится популярной, учитывая низкую стоимость оборудования, обработки, облачных технологий, хранения и растущего объема данных, генерируемых большими данными.
- Машинное обучение — это область исследований, в которой основное внимание уделяется компьютерным системам, которые учатся на данных, распознавая «шаблоны». Мы сейчас учим компьютеры обрабатывать шаблоны, передавая им столь желаемое человеческое качество.
- Мы используем «Аналитические модели» под названием «Алгоритмы машинного обучения», которые позволяют компьютеру учиться на данных, обученных на них, чтобы получить возможность манипулировать процессами и принимать решения без вмешательства человека.
- Модели учатся выполнять конкретную задачу, анализируя предоставленные данные. Например, модель может научиться распознавать изображение кота, представляя ей тысячи качественных изображений и видео этих животных. Модели учатся на данных, обнаруживают скрытые в них закономерности и тенденции, часто не идентифицируемые людьми, что приводит к решению конкретной проблемы.
- Машинное обучение фокусируется на изучении и построении моделей, которые могут учиться на данных без программирования. Важнейшей деятельностью Data Scientist является разработка аналитических моделей и их эффективная проверка.
- Некоторыми примерами приложений ML являются автономные транспортные средства, рекомендательные системы Netflix и Amazon, обнаружение мошенничества, фильтрация спама в электронной почте, игры, сентиментальный анализ, распознавание изображений и чат-боты.
- Четыре основных алгоритма машинного обучения — это классификация, регрессия, кластеризация и ассоциация.
- Принято классифицировать аналитические методы, известные здесь как алгоритмы машинного обучения, в обучении с учителем и без учителя. Данные о назначении контролируемого обучения для каждого образца. В неконтролируемом обучении цель прогнозируемой модели неизвестна, а данные не помечены.
- Мы классифицируем алгоритмы классификации и регрессии как контролируемое обучение. Кластеризация и ассоциация как неконтролируемое обучение.
- Одна из самых интересных аналитических моделей машинного обучения использует вычислительную технику под названием «Нейронные сети». Он имитирует работу человеческого мозга. Используется в таких областях, как автономные транспортные средства, космические путешествия и компьютерные игры. Глубокое обучение — это область быстрого роста исследований в области машинного обучения, в которой достигнуты успехи в распознавании голоса, текста и изображений. На основе методов нейронных сетей, позволяющих компьютеру изучать задачи, систематизировать информацию и находить закономерности.
- Компании, использующие Big Data, Data Science и ML, доминируют на рынке, используя «предиктивную аналитику», где цель равносильна прогнозированию будущего, ожиданию бизнес-результатов.
Завершите изучение статей «Вы правы: машинное обучение легко понять»
1 —Введение в машинное обучение
2 — Концепции машинного обучения
3 — Практическое применение машинного обучения
4 — Алгоритмы машинного обучения
6 — Платформы машинного обучения
7 — Проблемы с машинным обучением и ИИ
8 — Большие данные + Наука о данных + Машинное обучение
9 — Резюме статей
Подробнее об этой статье
Эта статья выбрана из книги Большие данные для руководителей и профессионалов рынка — второе издание.