Машинное обучение — тип информатики, который позволяет компьютерам учиться и действовать так же, как люди. Это конечная цель искусственного интеллекта и машинного обучения — собирать информацию и использовать серию алгоритмов для определения или предсказания чего-либо в мире. Машинное обучение — это также наука о том, как заставить компьютер что-то делать без явного программирования. МЛ
(машинное обучение) — это тип ИИ (искусственного интеллекта), который помогает обобщать за пределы обучающих выборок, позволяя компьютеру интерпретировать «новые данные». Это позволяет базе данных расти и «обучаться» самостоятельно.
«Машинное обучение — это область искусственного интеллекта (ИИ)», — Лиза Таглиферри, «https://www.digitalocean.com/community/tutorials/an-introduction-to-machine-learning».
Машинное обучение может быть использовано для самых разных целей, и в первую очередь машинное обучение может быть полезно для алгоритмов сортировки. Например, если бы мне нужно было отсортировать автомобили для веб-сайта по продаже автомобилей, я мог бы использовать аспекты автомобилей для сортировки любого автомобиля, который вводит пользователь. Например, если у автомобиля менее 4 дверей, это может быть пикап или купе. Если у автомобиля менее 4 дверей и он стоит больше 55 000 долларов, скорее всего, это купе. Добавление простых утверждений типа «если то или это» может творить чудеса для сортировки вещей. Это также то, что дает машине возможность «обучаться». Алгоритмы могут быть простыми или очень длинными и глубокими, но в конце концов они сортируют «объект» как «тот» или «тот». По мере добавления дополнительных алгоритмов создается «дерево решений». Когда «объекты» проходят через дерево, они сортируются по определенным категориям.
«Деревья решений рассматривают одну переменную за раз и представляют собой достаточно доступный (хотя и рудиментарный) метод машинного обучения». — Стефани «http://www.r2d3.us/visual-intro-to-machine-learning-part-1/»
Достижения в этой области могут привести ко многим преимуществам в мире. Программы могут иметь возможность адаптироваться к пользователю. Это означает, что веб-сайты будут отображать только то, что вас интересует, или программы поиска/сортировки могут выполняться быстрее. Это также может позволить улучшить самоуправляемые автомобили. Поскольку программа должна получать и использовать информацию из серии «новых событий», увиденных через камеру. Есть много веских причин для развития этой стороны технологии, она может помочь предсказать погоду в будущем, позволяя людям подготовиться. Это может помочь в открытии новых лекарств. Все это возможно благодаря разным уровням машинного обучения.
В начале машинное обучение было в сложном положении, программы обнаружения объектов могли различать вещи только в том случае, если это была очень четкая картина, или как мало могло на самом деле выполнить приложение «персональный помощник», которое выполняло задачи. По мере того, как наука о машинном обучении была более развитой, начали изучаться новые области. Например, глубокое обучение. Это целая область, посвященная глубоким уровням обучения машин, отсюда и название «глубокое обучение». Чтобы думать об этом как можно проще, подумайте о ребенке. По мере того, как ребенок растет, он узнает больше информации, сохраняя и сохраняя то, что происходит в их повседневной жизни.
«Глубокое обучение — это метод машинного обучения, который учит компьютеры делать то, что естественно для людей», — Math Works «https://www.mathworks.com/discovery/deep-learning.html».
Способность компьютеров к обучению — впечатляющая вещь, о которой стоит подумать. Сегодня компьютеры находятся на совершенно новом уровне «Понимания». Глубокое обучение — это область или «часть» машинного обучения, которая позволяет машине выполнять больше мыслительных задач. Примеры этого включают голосовое управление на телевизорах и мобильных телефонах или самоуправляемые автомобили. Все эти технологии должны «учиться на ходу». Например, если автомобиль едет сам, он должен наблюдать за объектом в камере, решать, является ли он нарисованной линией или человеком, и способен принимать решения на основе того, что он видит.
Обратной стороной машинного обучения может быть информация, необходимая для обучения компьютера. Чтобы компьютер мог «обучаться», он должен получать и сохранять новую информацию о любой выполненной задаче. Для некоторых людей это может быть проблемой безопасности. Что имеет смысл, если вы беспокоитесь об информационной безопасности. Но безопасность развивается в цифровом мире, делая эту информацию более безопасной и позволяя машинному обучению делать великие вещи.
