Все, что вам нужно знать о машинном обучении, о том, чем оно отличается от ИИ и Интернета вещей, его применениях и влиянии.

В детстве у всех есть влечение к компьютерам. Когда мы взрослеем, интерес смещается в сторону кодирования (не у всех), а в студенческие годы интерес переходит к основному предмету, и он остается неизменным, пока мы делаем работу (опять же, не у всех). И если интерес для кого-то станет Искусственный интеллект или Машинное обучение или Интернет вещей, человек, вероятно, добьется всего в сегодняшней жизни.

Теперь самое главное — «Что такое машинное обучение и чем оно отличается от искусственного интеллекта и Интернета вещей?»

Интернет вещей (IoT) — Интернет вещей или IoT относится к постоянно растущей сети физических объектов, которые имеют IP-адрес для подключения к Интернету, а также к связи, которая происходит между этими объектами и другими устройствами и системами, подключенными к Интернету.

Искусственный интеллект (ИИ) — искусственный интеллект или ИИ — это моделирование процессов человеческого интеллекта машинами, особенно компьютерными системами. Эти процессы включают обучение (получение информации и правил использования информации), рассуждение (использование правил для достижения приблизительных или определенных выводов) и самокоррекцию.

Машинное обучение (ML) — машинное обучение или ML — это приложение искусственного интеллекта (ИИ), которое предоставляет системам возможность автоматически учиться и совершенствоваться на основе опыта без явного программирования.

Примеры: -

Предположим, вы играете в крикет и вам предоставляется возможность отбить мяч.

1. Вы смотрите по всей площадке и видите, сколько полевых игроков присутствует с каждой стороны.

2. Основываясь на количестве полевых игроков, вы решаете, где на поле есть пустые места.

3. Теперь вы видите, как боулер бежит к вам, и вы должны ударить по мячу, и вы решаете, куда ударить по мячу, чтобы не выйти и набрать как можно больше очков.

Здесь

Точкой 1 будет IoT (Интернет вещей).
Поскольку IoT имеет дело с сетью датчиков, которые генерируют данные, вся цель IoT — генерировать новые формы. данных. Они также включают приводы, которые выполняют определенную задачу, когда их об этом просят.

Точка 2 — машинное обучение.
Машинное обучение — это когда у вас есть объем данных, и вы должны создать из них логическую интерпретацию для компьютера. решить задачу. Компьютер определяет тенденции, прогнозирует предстоящие данные, проверяет отклонения от ожидаемых результатов.

Точка 3 — искусственный интеллект
Искусственный интеллект обучает систему самостоятельно принимать решения. Типичный компьютер сегодня имеет IQ, равный нулю. Потому что он не может принимать самостоятельные решения. Поскольку в двух приведенных выше случаях мы видели, что они имеют дело с генерацией данных и их логической интерпретацией, ИИ необходимо иметь дело с принятием решений в ситуации, в которую он попадает.

Типы машинного обучения: -

Обучение с учителем. Обучение с учителем – это процесс обучения машины с использованием хорошо помеченных заданных данных, т. е. предсказуемый ответ напрямую связан с заданными данными.

Пример: -предсказание зарплаты человека после нескольких лет опыта, классификация различных типов газет и т. д.

По сути, простыми словами, вы знаете и ввод, и вывод, и вам нужно найти алгоритм, то есть способ получения вывода и получения неизвестного вывода.

Обучение с учителем подразделяется на две категории алгоритмов:

  • Классификация. Проблема с классификацией возникает, когда выходная переменная является категорией, например "Красный" или "Синий". " или "заболевание" и "отсутствие заболевания".
  • Регрессия. Проблема регрессии возникает, когда выходная переменная представляет собой реальное значение, например "доллары" или "вес".

Наиболее широко используемые алгоритмы обучения с учителем:

  • Опорные векторные машины
  • Линейная регрессия
  • Логистическая регрессия
  • Наивный Байес
  • Линейный дискриминантный анализ
  • Алгоритм дерева решений

Обучение без учителя: обучение без учителя — это процесс, в котором машина группирует несортированную информацию в соответствии с сходствами, шаблонами и различиями без обучения на сходных типах данных.

Пример. Предположим, в городе необходимо открыть несколько новых пиццерий. Зная пищевые привычки горожан, можно было определить местонахождение новых торговых точек.

Обучение без учителя подразделяется на две категории алгоритмов:

  • Кластеризация. Задача кластеризации заключается в том, что вы хотите выявить присущие данным группировки, например группировать клиентов по покупательскому поведению.
  • Ассоциация. Задача изучения правила ассоциации — это когда вы хотите обнаружить правила, описывающие большие части ваших данных, например, люди, которые покупают X, также склонны покупать Y.

Наиболее широко используемые алгоритмы обучения без учителя:

  • Кластеризация K-средних
  • Кластеризация нечетких C-средних
  • Кластеризация ожидания-максимизации
  • Иерархическая кластеризация

Обучение с подкреплением. Обучение с подкреплением — это процесс машинного обучения, в котором машина учится на своем предыдущем опыте, чтобы действовать наилучшим образом в конкретной ситуации. Никаких обучающих наборов данных не требуется, машина обучается на основе своего предыдущего опыта.

Например: шахматы, крестики-нолики и т. д.

В основном вход начинается с начального состояния, а выходов может быть несколько. Машина обучается на своих предыдущих входных данных и продолжает учиться, чтобы найти наилучший возможный результат.

Влияние машинного обучения на наше поколение

В настоящее время машинное обучение используется практически повсеместно, и в результате потребность в инженере по машинному обучению очень востребована. Компании предоставляют инженерам по машинному обучению более высокую заработную плату по сравнению с другими должностями. Позвольте мне привести несколько основных мест, где машинное обучение часто используется:

Gmail. Задумывались ли вы когда-нибудь, как классифицируются письма на основные, социальные, промо-акции и обновления? Здесь используется машинное обучение для классификации писем. Папка со спамом также является работой машинного обучения, так как она классифицирует сообщения, которые являются спамом, и помещает их в папку со спамом.

Google Фото: – категоризация разных изображений на основе разных мест, выделение изображений каждого человека из заданных изображений, создание красивых коллажей из изображений.

Google Ассистент: Google Ассистент — это новый пример машинного обучения на Android, помогающий вам с повседневными задачами. Ассистент позволяет легко покупать билеты в кино на ходу, находить идеальный ресторан для вашей семьи, чтобы быстро перекусить перед началом фильма, а затем помогает добраться до кинотеатра.

Переводчик Google.Переводчик Google может определять язык, на котором он написан, благодаря машинному обучению, поскольку он обучен работе со всеми известными языками.

Отметка друзей. Когда вы загружаете изображение на Facebook, вам будет предложено отметить на нем своего друга. Это делается с помощью алгоритмов обнаружения и распознавания лиц Facebook. Он настолько мощный, что даже если изображение человека настолько скучно, насколько это возможно, Facebook может идентифицировать человека на изображении.

Добавить предложение друга: Facebook использует алгоритм кластеризации, чтобы найти друзей рядом с вашим городом, из вашей школы/колледжа и т. д.

Лента новостей: вы могли заметить, что если вы общаетесь с кем-либо на Facebook, вы начнете видеть больше сообщений от них по сравнению с другими в своей ленте новостей.

Отдел прогнозирования погоды. Машинное обучение помогает прогнозировать погоду в определенное время на основе данных прошлых лет.

Автоматическое управление дорожным движением. Машинное обучение помогает прогнозировать состояние дорожного движения в определенном месте в определенное время на основе предыдущих данных.

Болливуд использует машинное обучение, чтобы прогнозировать, когда выпустить определенный фильм, чтобы получить рейтинги хитов.

Индийская организация космических исследований (ISRO) использует машинное обучение для распознавания образов и классификации в дистанционном зондировании.Индия является лидером в этой области. Все основные алгоритмы классификации используют расстояние Махаланобиса для разделения различных классов. Различные алгоритмы машинного обучения используются для решения сложных задач оптимизации. Генетические алгоритмы, искусственная нейронная сеть и нечеткая логика активно используются при поиске решения различных инженерных задач.

Вывод

За последние несколько лет машинное обучение стало неотъемлемой частью жизни, так как оно используется почти везде. Спрос на вакансии в этой должности также очень высок. Итак, для студента, который не уверен, хочет ли он изучать машинное обучение, я советую изучить машинное обучение и сделать это долгосрочной целью, поскольку объем работы довольно велик, а тема также очень интересна.