Дорогая бабушка,
Я наткнулся на эту новую тему, о которой хочу вам рассказать. Это называется машинным обучением. Я знаю, что вы не знакомы ни с одним из этих причудливых технических терминов, поэтому сделаю это простым для вас. Машинное обучение (ML) считается подразделом искусственного интеллекта (AI). Он основан на распознавании образов - на способности распознать образец - и на способности учиться. Вкратце, машинное обучение - это процесс, через который проходит определенная машина для обучения, адаптации и имитации повседневных задач. Это отличается от типичного программирования, когда вы пишете код, а машина реагирует.
Например, вы можете думать о своем мозге как о машине. Когда вы были молоды, вам приходилось понимать разницу между рубашкой и платьем. На первый взгляд вы могли подумать, что это одно и то же. Платье закрывает верхнюю половину тела как рубашка. Также, как и рубашку, можно надеть платье, накинув его через голову. Тогда ваша мама могла указать на некоторые отличия, например, платье длиннее, а иногда вы можете надеть платье, встав в него. Каждый раз, когда мама показывала вам платье, она могла указывать на другие отличия, чтобы помочь вам отличить его от рубашки. К 8 годам вы были уверены, что можете пройти по магазину и указать на платье, как иголка в стоге сена. Это основа машинного обучения.
Хорошо, граммы, давай копаемся…
Если вы думали, что машина все учится, предсказывает и действует в соответствии с ней - что ж, вы были частично правы. В некоторых случаях машина будет работать, чтобы получить результат практически без подсказок. В других случаях машина направлена на получение правильного вывода. Я хочу рассказать вам о нескольких методах, с помощью которых машина будет работать, чтобы получить ожидаемый результат.
Под присмотром
Этот метод обучения используется чаще всего. Контролируемое обучение происходит, когда инженер предоставляет машине ожидаемые результаты, которые помечены. Эти исходы могут иметь ярлыки вроде «Верный путь» и «Неправильный путь». Затем машина сравнивает свои результаты с результатами, обозначенными инженером. Если результат соответствует неверному пути, машина будет пробовать что-то другое, пока результаты не будут соответствовать правильному пути.
Если вы не можете понять эту концепцию, вспомните время, когда вам приходилось следовать рецепту приготовления пирога из сладкого картофеля. Повар предоставит вам картинку, на которой показано, каким должен быть готовый продукт, и картинку, на которой показано, как пирог не должен выглядеть. Вы (машина) будете работать, чтобы испечь этот сладкий картофельный пирог. Если у вас что-то не получается, попробуйте еще раз, используя другой подход, пока ваш пирог не станет похож на пирог повара. Это контролируемое обучение.
Без присмотра
Этот метод применяется, когда инженер предоставляет немаркированные результаты. Машина выявляет сходства результатов, группирует их и присваивает этим сходствам свои собственные ярлыки. Поскольку машина не получает указаний, она более склонна к поиску закономерностей, которые нельзя найти при обучении с учителем. Из-за этого обучение без учителя становится все более распространенным.
Примером этого может быть ситуация, когда вам велят испечь тот же пирог, но полученные вами картинки не помечены - вы не знаете, что правильно, а что неправильно. Вы думаете обо всех имеющихся у вас инструментах и пытаетесь приготовить сладкий картофельный пирог. Вместо того, чтобы сразу начинать готовить пирог, вы смотрите на результаты и изучаете их. Вы смотрите на характеристики пирогов, выделяете сходства и группируете их (например, по цвету, округлости и т. Д.). Выяснив некоторые характеристики пирога - хорошие и плохие - вы начинаете печь свой пирог; при условии, что найденные характеристики делают пирог из сладкого картофеля. Это, моя любовь, обучение без учителя.
Полу-контролируемый
Этот метод обучения похож на обучение с учителем. Дело в том, что помечены лишь некоторые из ожидаемых результатов, в то время как большинство из них не помечены. Это будет способ повысить точность машинного обучения.
Как и в обоих предыдущих примерах, вы все еще печете пирог из сладкого картофеля. Но на этот раз вы просто пытаетесь улучшить, сколько времени у вас уходит на приготовление хорошего пирога.
Армирование
Этот метод фокусируется на ожидаемых результатах в отношении вознаграждений и наказаний. Машина выполняет задачу, и в зависимости от ее результатов она может быть вознаграждена.
Хорошо, бабушка, для этого идеального пирога со сладким картофелем ставки выше. Теперь вы должны подумать о том, что может случиться, когда вы съедите готовый пирог. Вы заболеете? Это идея подкрепления обучения. Доседание пирога может быть полезным, но если вы не испечете его правильно, кто-то может заболеть, пока вы его съедите. Это было бы твоим наказанием. Как вариант, если ваш пирог испечен правильно, никто не заболеет. Возможно, вас даже начнут просить печь пироги для других. Это твоя награда.
Копать глубже…
Я рассказал вам о некоторых методах машинного обучения, а теперь давайте поговорим о некоторых методах машинного обучения. Я расскажу вам о некоторых из них и о том, как они соотносятся с методами машинного обучения.
Регресс
Этот метод ориентирован на предсказание. Используя прошлые данные, алгоритм регрессии предсказывает будущее этих данных. Все это происходит при понимании того, что есть вероятность ошибки. Регрессия обычно используется с методом обучения с учителем. Примером этого может быть риэлторская компания, прогнозирующая стоимость своей недвижимости на ближайшие годы.
Классификация
Методика классификации - это сочетание обучения, запоминания и повторения того, что выучили. Определение классификации тесно связано с определением обучения с учителем - также это означает, что она используется для обучения с учителем. Примером классификации может быть набор Life Savers. Я бы использовал две трети пакета, чтобы объяснить цвета / ароматы. Затем я использовал оставшуюся треть, чтобы проверить ваше запоминание и понимание цветов / ароматов.
Кластеризация
Этот метод является разновидностью обучения без учителя. Вы получили Life Savers, сгруппированные по цветам. Вы знаете, что цвета соответствуют фруктовым вкусам / цветам. Используя свои знания о фруктах и их цветах, вы пытаетесь выяснить вкус каждого цвета.
Машинное обучение в реальной жизни
Чтобы еще больше разъяснить суть машинного обучения, я объясню несколько реальных примеров машинного обучения, которые вы используете каждый день, не замечая этого.
контролируемый пример
Давайте подумаем о предложениях видео на YouTube. Когда вы начали использовать YouTube, вам были предложены только видео Популярные или Популярные. Но вот секрет, бабушка - YouTube следил за вами. Или, скажем так, YouTube слушал вас, а также типы видео и каналов, которые вам понравились. Вы, наверное, заметили, что после первого перехода на веб-сайт первой категорией видео были Предлагаемые видео. YouTube заметил, какой тип видео вам нравится, и начал предлагать видео аналогичного характера. По сути, произошло то, что, просматривая страницы, вы дали YouTube представление о том, что вам нравится, и он ответил.
Пример без учителя
Я расскажу вам о программе распознавания лиц в Facebook. Когда вы впервые присоединились к Facebook, программе могло быть сложно узнать вас на фотографиях. По мере того, как вас отмечали на все большем количестве фотографий, программа начала распознавать черты вашего лица и тела, которые сделали вас вами. К тому времени, когда вас отметили на десятой фотографии, программа была почти уверена, что это вы на фотографии. В конце концов, программа начала предлагать пользователю отметить вас как человека на фотографии еще до того, как ваши друзья из Facebook даже подумали об этом.
Подведем итоги…
Проще говоря, машинное обучение - это просто машины, которые изо всех сил пытаются работать как люди с помощью людей. Лично я считаю, что ML меняет правила игры. Представьте, что мы могли бы сделать с помощью этого типа технологий. Представьте, что уже было сделано с ML. Я знаю, что существует тонкая грань между полезностью машинного обучения и простой ленивостью людей. Я считаю, что люди были такими же ленивыми до того, как ML превратилось в ажиотаж; и мы будем такими еще долго. Я также знаю, что машинное обучение вызывает страх, что люди потеряют работу. Все это означает, что мы, люди, должны начать получать знания о том, как работать с и этими машинами. Машинное обучение не сводится к сокращению рабочих мест, оно просто создает рабочие места в другой области. Итак, я надеюсь, что я развлекал и информировал вас своим взглядом на машинное обучение. Спасибо, что прочитали Grams.
Искренне,
Canese Curvin
Выражаю благодарность следующим источникам:
