Машинное обучение — это применение искусственного интеллекта. Я думаю, никто не станет отрицать, что сейчас это модное словечко. Это дает машине возможность учиться и совершенствоваться на основе опыта без необходимости вмешательства человека. Например, лента новостей Facebook использует высокоэффективные алгоритмы машинного обучения для персонализации ленты каждого пользователя. Именно по этой причине вы находите много рекламы, связанной с вашими недавними поисковыми запросами. Это пример рекомендательной системы. Термин «машинное обучение» был придуман пионером в области искусственного интеллекта Артуром Сэмюэлем в 1959 году, когда он работал в IBM.
Более формальное определение машинного обучения дал американский ученый-компьютерщик Том М. Митчелл — «Компьютер Говорят, что программа учится на опыте E в отношении некоторого класса задач T и показателя производительности P, если ее производительность при выполнении задач в T, измеряемая P, улучшается с опытом E”.

Алгоритмы машинного обучения существуют с 1950-х годов. Но почему они становятся популярными именно сейчас?

1. Огромный объем данных

За последние несколько лет стали доступны большие объемы данных, что привело к повышению производительности и точности прогнозов алгоритмов машинного обучения. Веб-страницы несут ответственность за удовлетворение требований к большим данным. Всякий раз, когда вы нажимаете на объявление или что-то подобное, оно попадает в пул данных. Коллективные данные приводят к значимым закономерностям, на основе которых выполняется анализ.

2. Мощное компьютерное оборудование

Использование графического процессора для более быстрого вычисления большого количества данных является одним из основных факторов реализуемости этих алгоритмов.

3. Улучшенные алгоритмы

Благодаря огромному количеству данных и мощному компьютерному оборудованию ученые могут тестировать свои сложные алгоритмы на больших объемах данных, что приводит к лучшим результатам исследований.

В основном существует два типа алгоритмов машинного обучения:

1. Алгоритмы обучения с учителем

В этом типе алгоритмов обучения мы должны предоставить обучающие данные (или обучающий набор), содержащие как входные, так и правильные выходные данные. Алгоритмы обучаются, выполняя операции над входными данными и сравнивая соответствующие выходные данные с правильными выходными данными, мы говорим, обучен алгоритм или нет. Однако, если выходы не совпадают, то повторная операция выполняется над входами до тех пор, пока выходы не станут одинаковыми. Затем этому алгоритму даются новые данные (без каких-либо правильных выходов) для выполнения прогнозов. Некоторые методы, которые используются для прогнозирования данных, представляют собой регрессию, классификацию и т. Д. Реальные приложения, использующие обучение с учителем, классифицируют, является ли электронное письмо спамом, прогнозируют цену дома / собственности / акций, распознавание изображений и т. д.

2. Алгоритмы обучения без учителя
В этом типе алгоритмов обучения предоставляемые обучающие данные содержат только входные данные. Одним из методов обучения без учителя является кластерный анализ, при котором в данных обнаруживаются скрытые закономерности или группировка с использованием исследовательского анализа данных. Евклидово или вероятностное расстояние используется для группировки каждого входа в аналогичные категории. Одним из примеров неконтролируемых алгоритмов является кластеризация методом k-средних. Области применения в реальной жизни включаютгенетику, анализ шаблонов и т. д.

Машинное обучение способно изменить любую отрасль. Он начал решать многие бизнес-задачи, и компании начали реализовывать его потенциал. Так что лучше будьте готовы к этой революции. :)