Должен ли я учиться сейчас ... или позже? Обучение - это универсальный навык / черта, который приобретает любой живой организм на этой планете. Обучение определяется: приобретением знаний или навыков посредством опыта, учебы или обучения; будь то растение, которое учится реагировать на свет и температуру, обезьяна учится чистить банан, или мы, люди, учимся тому, как чистить банан. кататься на велосипеде. Эта общность - вот что делает нас уникальными и со временем развивается.

Но что, если я скажу: «Машины тоже могут учиться» .

Мы живем в эпоху, когда машины ничем не отличаются. Мы можем научить машины учиться, а некоторые машины могут учиться даже сами. Это волшебное явление называется Машинное обучение.

Целевая аудитория: новички и / или новички в области машинного обучения.

Надеюсь, эта статья предоставит некоторые полезные сведения и откроет вам представление о том, что компьютеры могут делать сейчас. Я не буду вдаваться в подробности о том, что такое машинное обучение, а скорее сделаю общий обзор.

Если вы чему-то должны УЧИТЬСЯ из этой статьи, то это следующее:

Машины могут предсказывать будущее, если будущее не слишком отличается от прошлого.

Приложения машинного обучения

Прежде чем мы начнем, вот краткий обзор того, на что способно машинное обучение:

  • Здравоохранение: прогнозирование диагностики пациентов
  • Социальная сеть: прогнозирование определенных предпочтений при совпадении на сайте знакомств.
  • Финансы: прогнозирование мошеннических действий по кредитной карте.
  • Электронная торговля: прогнозирование оттока клиентов
  • Биология. Выявление закономерностей в мутациях генов, которые могут указывать на рак.

«Большая часть знаний в мире в будущем будет извлекаться машинами и будет храниться в машинах», - Янн ЛеКун, директор по исследованиям искусственного интеллекта, Facebook

Как машины учатся?

Чтобы не усложнять задачу, просто знайте, что машины «учатся», находя закономерности в данных. Думайте о данных как о информации, которую вы получаете из мира. Чем больше данных передается машине, тем она «умнее».

Но не все данные одинаковы. Представьте, что вы пират, и ваша жизненная миссия заключалась в том, чтобы найти закопанное сокровище где-нибудь на острове. Чтобы найти клад, вам понадобится достаточное количество информации. Как и данные, эта информация может привести вас либо в правильном, либо в неверном направлении. Поэтому важно помнить о типах данных, которые вы передаете своему компьютеру для изучения. Некоторые данные могут увеличить неопределенность ваших прогнозов или могут уменьшить неопределенность.

Тем не менее, после того, как будет предоставлен достаточный объем данных, машина сможет делать прогнозы. Машины могут предсказывать будущее, если будущее не слишком отличается от прошлого.

Машина действительно «учится», используя старые данные, чтобы получить информацию о том, что с наибольшей вероятностью произойдет. Если старые данные очень похожи на новые данные, то то, что вы можете сказать о старых данных, вероятно, будет иметь отношение к новым данным. Это похоже на оглядываться назад, чтобы смотреть вперед.

Типы машинного обучения

Есть три основных категории машинного обучения:

  • Контролируемое обучение: машина учится на помеченных данных.
  • Обучение без учителя: машина учится на данных без ярлыков. Это означает, что машине не дано «правильного» ответа для обучения, но машина, надеюсь, должна найти закономерности на основе данных, чтобы придумать ответ.
  • Обучение с подкреплением. Машина обучается с помощью системы вознаграждений.

Машинное обучение с учителем

Контролируемое обучение является наиболее распространенным и изучаемым типом обучения, потому что легче научить машину обучаться с помеченными данными, чем с немаркированными данными. В зависимости от того, что вы хотите предсказать, контролируемое обучение может использоваться для решения двух типов задач: регрессии или классификации.

Проблема регрессии: если вы хотите спрогнозировать непрерывные значения, например, пытаясь спрогнозировать, сколько часов будет находиться пациент в этой больнице, вы должны использовать регрессию. У этого типа проблемы нет конкретного ограничения значения, потому что это может быть любое количество дней, часов или минут.

Проблема классификации. Если вас интересует такая проблема, как: «Я уродлив?», то это проблема классификации, потому что вы пытаясь разделить ответ на две конкретные категории: да или нет (в данном случае ответ на поставленный выше вопрос положительный).

Неконтролируемое машинное обучение

Поскольку машины не имеют маркированных данных, на которых можно было бы учиться, целью машинного обучения без учителя является обнаружение закономерностей в данных и их группировка. Обучение без учителя - это машины, которые пытаются учиться «самостоятельно», без посторонней помощи. Представьте, что кто-то кидает вам кучу данных и говорит: «Вот иди, мальчик, найди несколько шаблонов и сгруппируй их для меня. Спасибо и получайте удовольствие ».

В зависимости от того, что вы хотите сгруппировать, при обучении без учителя можно сгруппировать данные с помощью: кластеризации или ассоциации.

Проблема кластеризации: обучение без учителя пытается решить эту проблему, ища сходства в данных. Если есть общий кластер или группа, алгоритм затем классифицирует их в определенной форме. Примером этого может быть попытка сгруппировать клиентов на основе прошлого покупательского поведения.

Проблема ассоциации: обучение без учителя пытается решить эту проблему, пытаясь понять правила и смысл, лежащие в основе различных групп. Пример этого можно было увидеть, когда магазин реализовал этот тип алгоритма в своей системе. Выяснилось, что между покупателями пива и подгузников существует сильная связь. Из этого утверждения они пришли к выводу, что мужчины, которые вышли купить подгузники для своих младенцев, также склонны покупать пиво.

Машинное обучение с подкреплением

Этот тип машинного обучения требует использования системы вознаграждений / штрафов. Цель состоит в том, чтобы вознаградить машину, если она учится правильно, и наказать машину, если она учится неправильно.

Машинное обучение с подкреплением - это разновидность искусственного интеллекта. Благодаря широкому диапазону возможных ответов на основе данных процесс обучения этого типа является итеративным. Он постоянно учится.

Примеры обучения с подкреплением:

  • Тренировка машины, чтобы научиться играть в (Chess, Go)
  • Обучение машины тому, как самому научиться и играть в Супер Марио
  • Беспилотные автомобили

Заключительные примечания

Это моя первая статья, и я надеюсь, вы что-то узнали! Если есть что-то, что вы, ребята, хотели бы добавить к этой статье, не стесняйтесь оставлять сообщение и не сомневайтесь! Мы искренне ценим любые отзывы. Не бойтесь поделиться этим! Спасибо!

Ах да, поскольку эта статья посвящена обучению, запомните бесплатную цитату:

«Жизнь похожа на езду на велосипеде. Чтобы сохранить равновесие, вы должны продолжать двигаться ».

Соединять

Не стесняйтесь связываться со мной на моем личном сайте!