Вы когда-нибудь задумывались, как YouTube рекомендует ваши видео или как Facebook автоматически помечает ваш профиль изображениями? Что ж, в этом вся магия машинного обучения. Сегодня мы собираемся понять машинное обучение с точки зрения непрофессионала. Так что же означает слово «машинное обучение»? Слово «Машинное обучение» состоит из двух слов «Машинное» и «Обучение». Слово «Машина» обозначает устройство, которое может выполнять любые задачи, например компьютер, принтер и т. Д. Когда мы добавляем после него слово «Обучение», вместе это означает, как машина обучается. Машина тоже может учиться, как человек, и может быть тесно связана с тем, как учится человек.

Так что же такое машинное обучение?

Машинное обучение (сокращенно ML) - это способность учиться и совершенствоваться на собственном опыте без явного программирования. Это можно объяснить на очень простом примере.
Например, я провожу вас в зоомагазин, где есть 4 собаки и 4 кошки, и учу вас, какая из них собака, а какая кошка. После этого я ввожу другую породу собак, которой не было у этих 8 животных. Вы можете предсказать, что это собака. Итак, здесь я не учил вас, что другая порода животных была собакой, но вы все равно могли ее предсказать, как вас уже учили ранее. Машина работает очень похоже. 8 животных эквивалентны «тренировочным данным», поскольку они используются для тренировки машины. Другая порода собак соответствует «данным тестирования» и используется для тестирования нашей машины.

Какими способами может обучаться Машина?

Есть три типа машинного обучения:

1. Машинное обучение с учителем:

Машинное обучение с учителем означает, что машина обучается в присутствии инструктора. Выше был пример машинного обучения с учителем. В приведенном выше случае могут быть случаи, когда вы не можете правильно предсказать, собака это или кошка. Это приводит к проверке вашей точности различения собак и кошек. Точно так же можно рассчитать точность обученной машины.

2. Машинное обучение без учителя

В отличие от обучения с учителем при обучении без учителя нет учителя. Это легко пояснить на следующем примере.
Есть 4 собаки и 4 кошки. Предположительно, вы никогда не видели собаку или кошку. Таким образом, вы можете классифицировать их на основе сходства, закономерностей и различий. Таким образом, мы можем разделить их на 2 группы: группа, содержащая кошек, и группа, содержащая собак. Здесь вы ничему не научились, а это значит, что не было данных для обучения.

3. Обучение с подкреплением

Обучение с подкреплением - это принятие подходящих действий для максимизации вознаграждения в конкретной ситуации. Давайте рассмотрим пример, чтобы лучше понять это.
Рассмотрим пример, когда девочка учится ездить на велосипеде.
i) Сначала девочка будет наблюдать, как мы едем на велосипеде. Мы используем две ноги для гребли и пытаемся удерживать равновесие. Теперь девочка попытается покататься на велосипеде.
ii) Но вскоре она поймет, что ей нужно сбалансировать цикл, чтобы грести правильно. Итак, теперь девушка пытается удержать равновесие, большую часть времени терпя неудачу, но все же решающая сохранить равновесие.
iii) Теперь настоящая проблема - это гребля. Есть так много вещей, о которых нужно помнить, например, уравновешивать вес тела, крепко держаться за ручку и искать препятствия.
В приведенном выше примере девушка - агент, пытающийся манипулировать окружающей средой (езда на велосипеде) и действия, когда она пытается перейти из одного состояния в другое. Девушка получает вознаграждение (например, мороженое) за выполнение части задания (например, гребля несколько секунд) и наказывается (не дает мороженого) за то, что не может кататься на велосипеде. Точно так же обучение с подкреплением применяется в машинном обучении.

Каковы практические применения машинного обучения?

Facebook:

Facebook - наиболее широко используемая социальная сеть. Знаете ли вы, что Facebook использует машинное обучение почти во всех аспектах? Рекомендации друзей или автоматическая пометка друзей на фотографиях. Facebook использует машинное обучение.

Автоматическая пометка друзей:

Когда картинка загружается на Facebook, появляется предложение с вопросом, хотите ли вы отметить своего друга на картинке. Это делается с помощью алгоритмов обнаружения и распознавания лиц Facebook, основанных на проекте расширенной нейронной сети глубокого обучения Deepface.

Предложения друзей:

Facebook использует машинное обучение, чтобы предлагать друзей по схожим интересам, сфере жизни и т. Д.

Google:

Вы когда-нибудь задумывались, как работает Google Ассистент? Что ж, это основано на машинном обучении и искусственном интеллекте. Google использует машинное обучение по следующим причинам:
Google Music: он создает рекомендации на основе того, какую музыку вы слушаете.
Хорошо. , Google: использует распознавание речи, чтобы интерпретировать то, что вы просите сделать.
Google Фото: создает категории изображений, по которым вы можете выполнять поиск. Если мы выполним поиск по запросу «собаки», будут показаны все изображения с собаками. Это часть распознавания изображений.

Обнаружение подозрительной активности от систем видеонаблюдения:

Представьте себе одного человека, наблюдающего за несколькими видеокамерами. Это, безусловно, будет трудная и скучная работа. Поэтому мы обучаем машины этому. Он постоянно записывает видео и узнает из него обычные действия людей, такие как стояние, бег и т. Д. Если происходят какие-либо необычные действия, такие как ограбление, он предупреждает людей в режиме реального времени, чтобы предотвратить любые несчастные случаи. И когда о таких действиях сообщают и считают правдой, они помогают улучшить службы наблюдения.

Развлечения:

Вы знаете, как Netflix рекомендует вам фильмы? Допустим, пользователи, которые смотрят фильм А, скорее всего, будут смотреть фильм Б. Это, пожалуй, самая известная функция Netflix. Netflix использует историю просмотров других пользователей со схожими вкусами, чтобы порекомендовать то, что вам может быть интересно посмотреть в следующий раз, чтобы вы оставались заинтересованными и продолжали ежемесячную подписку на больше.

Здравоохранение:

Машинное обучение используется в больницах для выявления рака. Это помогает врачам принимать гораздо более обоснованные решения за счет повышения эффективности распознавания рака и выявления случаев, в которых врачам трудно идентифицировать.

Заключение:

… Нам нужна машина, которая может учиться на собственном опыте »
-Алан Тьюринг
Это можно рассматривать как одну из целей машинного обучения. Большинство приложений, таких как Snapchat, Facebook и т. Д., Которые мы используем сегодня, работают на ML. Есть много областей, в которых еще можно применить машинное обучение. Это уменьшит человеческий фактор и повысит эффективность работы. В ближайшем будущем машинное обучение будет играть очень важную роль в нашей повседневной жизни.