Искусственный интеллект и основы машинного обучения
Это короткое чтение для непосвященных о том, что такое искусственный интеллект (ИИ) на самом деле. Традиционное определение ИИ примерно таково. — Искусственный интеллект — это область, которая делает упор на создание интеллектуальных машин, которые работают и реагируют как люди. Однако это определение не является реалистичным и фактически неверным. Более простое и реалистичное определение искусственного интеллекта состоит в том, что это область компьютерных наук, которая фокусируется на машинах, которые учатся на основе данных. ИИ, который создает бизнес-результаты, сосредоточится на том, что машины делают действительно хорошо, а не на попытках воспроизвести то, что уже хорошо делают люди. Искусственный интеллект стал возможным благодаря тому, что вычислительные ресурсы, системы хранения данных и сеть значительно усовершенствовались по сравнению с тем, что было десять лет назад.
Машинное обучение (ML) — это подмножество ИИ, которое фокусируется на способности машин получать набор данных и учиться самостоятельно, изменяя алгоритмы по мере того, как они узнают больше о данных, которые они обрабатывают. Нейронные сети пытаются имитировать работу компьютера, как человеческий мозг, но это опять-таки традиционный взгляд, и он неверен. В следующем посте я планирую рассказать о том, как работает глубокое обучение с использованием искусственных нейронных сетей. Я буду вести этот блог к основам, поскольку он является вводным.
По сути, в любой модели машинного обучения идея состоит в том, чтобы обучить компьютер набору данных (функций) и предсказать результаты для этих и других данных. Обучение выполняется с использованием набора математических алгоритмов (о них позже), которые обычно реализуются в Python. Основные области машинного обучения заключаются в следующем.
Контролируемое обучение (классификация)
• Наблюдение. Данные обучения (наблюдения, измерения и т. д.) сопровождаются метками, указывающими класс наблюдений.
• Новые данные классифицируются на основе обучающей выборки
Неконтролируемое обучение (кластеризация)
• Ярлыки классов обучающих данных неизвестны
• Задается набор измерений, наблюдений и т. д. с целью установления существования классов или кластеров в данных
Некоторыми примерами контролируемого обучения являются обнаружение доброкачественной опухоли на основе медицинского изображения или обнаружение мошеннических действий при транзакциях по кредитным картам. Некоторыми примерами неконтролируемого обучения являются идентификация тем в наборе сообщений в блоге или обнаружение аномальных шаблонов доступа к веб-сайту.
На самом высоком уровне при обучении с учителем необходимо минимизировать среднеквадратичную ошибку (MSE), которая представляет собой сумму квадрата разницы фактической и прогнозируемой зависимой переменной. Переменные модели, отображающие прогнозируемые значения, должны быть оптимизированы таким образом, чтобы эта функция потерь была минимальной.
Таким образом, машинное обучение можно использовать для прогнозирования результатов на основе обучения (или обучения). Алгоритмы обучения необходимо будет оптимизировать, как и многие гиперпараметры алгоритмов. Реальные приложения машинного обучения многочисленны: от рекомендательных систем (например, электронной коммерции — Netflix, Amazon) до прогнозов. Я надеюсь, что этот пост был полезен для изучения основ AI и ML.
