В традиционном программировании программисты вводили программу и данные в компьютер, чтобы получить результат. Чаще всего запрограммированный вывод не давал желаемого результата, тогда программистам приходилось вручную вносить изменения в программу. Потребность в компьютерах для автоматизации обучения программ и соответствующей оптимизации для достижения желаемого результата требует машинного обучения. Как следует из самого термина, машинное обучение дает компьютеру возможность писать программы и оптимизировать их для достижения желаемого результата.
Один из наиболее распространенных примеров и приложений машинного обучения можно увидеть на Картах Google. Когда вы указываете местоположение пункта назначения, Карты Google с помощью машинного обучения находят для вас самый быстрый маршрут на основе вашего текущего местоположения. Допустим, в сценарии, следуя помощнику Google Map, вы сталкиваетесь с дорожным заграждением, затем Google Map снова использует машинное обучение для оптимизации вашего маршрута, перенаправляя вас на другой маршрут. Точно так же машинное обучение разными способами делает нашу жизнь проще и легче с помощью компьютерных алгоритмов.
Ключевые элементы машинного обучения
Каждый год разрабатываются сотни алгоритмов машинного обучения. Каждый алгоритм разработан на основе комбинации следующих трех основных ключевых элементов:
· Представление: этот элемент фокусируется на представлении информации. Существуют различные способы представления информации, например: деревья решений, графические модели, нейронные сети, ансамбли моделей и другие.
· Оценка: элемент основан на оценке программ-кандидатов или гипотез, например: точность, предсказание и отзыв, квадрат ошибки, вероятность, апостериорная вероятность, стоимость, маржа и другие.
· Оптимизация: при оптимизации генерируются программы-кандидаты, которые также называются процессами поиска. Например, комбинаторная оптимизация, выпуклая оптимизация, оптимизация с ограничениями.
4 типа машинного обучения
Машинное обучение можно условно разделить на 4 типа.
1) Обучение с учителем. При обучении с учителем построенная модель может делать прогнозы на основе предыдущего результата. Обучение с учителем также называют индуктивным обучением. Обучение с учителем предоставляет маркированные данные. Данные обучения включают в себя желаемые результаты, например, пометка электронной почты как спама или нет, здесь обучение контролируется.
2) Обучение без учителя: в обучении без учителя мы используем данные без меток или неклассифицированные данные, без предварительного знания данных. Метод неконтролируемого обучения принимает входные данные без какой-либо соответствующей целевой переменной, целью которой является поиск естественных закономерностей в данных. Обучающие данные не включают желаемые результаты, например кластеризацию и сегментацию.
3) Полууправляемое обучение. Полууправляемое обучение использует неразмеченные данные для обучения, в основном небольшое количество размеченных данных и большое количество неразмеченных данных. Учебные данные включают в себя несколько желаемых выходных данных.
4) Обучение с подкреплением (RL). При обучении с подкреплением компьютер взаимодействует с динамической средой, в которой он должен выполнить определенную цель, при этом учитель явно не сообщает, приблизился ли он к цели или нет. Обучение с подкреплением вознаграждает за последовательность действий. Например, искусственный интеллект (ИИ) — это самый амбициозный тип обучения.
Применение машинного обучения в биологии
Машинное обучение начало формировать мир вокруг нас по-разному, о чем мы и представить себе не могли. Вот некоторые из распространенных приложений:
Обработка изображений и диагностика. Машинное обучение и глубокое обучение привели к прорыву в технологии компьютерного зрения, которая позволяет компьютеру прерывать визуальный мир и понимать его. Обучение компьютера обнаружению признаков рака и заболеваний с помощью сканирования изображений может помочь в выявлении ранних признаков рака и болезней.
Открытие и разработка лекарств. Машинное обучение помогает на ранних стадиях разработки лекарств и технологий исследований и разработок (НИОКР), таких как секвенирование следующего поколения и прецизионная медицина. Машинное обучение может предсказать лучшие цели с фармацевтическими данными.
Множественная диагностика симптомов: многие заболевания имеют несколько факторов, которые могут вызвать возникновение конкретного заболевания. Имея данные о заболевании, мы можем запустить машинное обучение для диагностики причин и последствий каждого симптома заболевания у пациента. .
Персонализированная медицина и лечение. Такие технологии, как IBM Watson Oncology, собирают историю болезни пациента для создания нескольких вариантов лечения. Говорят, что персонализированная медицина и лечение более эффективны, когда человек работает в паре с аналитическими инструментами, такими как машинное обучение.
Умная запись здоровья. Цифровые устройства, такие как смарт-часы, начали вести ежедневные записи частоты сердечных сокращений, записей упражнений, калорий и многого другого. Аналитика машинного обучения может упростить поиск закономерностей и выявление ранних симптомов основного заболевания по записанным данным.
В заключение, мы, люди, не можем представить себе день без технологий. Сегодня, имея в руках всю мощь машинного обучения, мы только начали его изучать. Машинное обучение сократило нашу долгую утомительную работу по программированию до того, что можно сделать за считанные секунды с помощью компьютерных алгоритмов. Во многих отношениях машинное обучение работает над формированием нашего будущего, каким мы его знаем сегодня.
Примечание от автора:
Привет! Спасибо, что дочитали статью до конца. Если вам понравилась эта статья, подпишитесь на меня на Medium, это мотивирует и побуждает меня писать больше замечательных статей о науке, технологиях и личном опыте!
Дайте мне знать в комментарии, если вы нашли эту статью полезной. Если вы хотите, чтобы я затронул конкретную тему, дайте мне знать ниже.
