Из серии ML и Data Science!!
Машинное обучение — это область искусственного интеллекта (ИИ) и компьютерных наук, в которой основное внимание уделяется использованию данных и алгоритмов для имитации того, как люди учатся, с постепенным повышением точности .
В этой статье мы обсудим следующие темы, связанные с машинным обучением:
- Что такое машинное обучение?
- Три категории машинного обучения.
- Реализации машинного обучения в реальном времени.
ЧТО ТАКОЕ МАШИННОЕ ОБУЧЕНИЕ?
Машинное обучение — это область искусственного интеллекта, которая в широком смысле определяется как способность машины имитировать разумное поведение человека. Системы искусственного интеллекта используются для выполнения сложных задач таким же образом, как люди решают проблемы.
По словам Бориса Каца, главного научного сотрудника и главы группы InfoLab в CSAIL, целью ИИ является создание компьютерных моделей, демонстрирующих «разумное поведение», как у людей. Это означает, что машины могут распознавать визуальную сцену, понимать текст, написанный на естественном языке, или выполнять действия в физическом мире.
Машинное обучение начинается с данных — чисел, фотографий или текста, таких как банковские транзакции, фотографии людей или даже хлебобулочные изделия, записи о ремонте, данные временных рядов с датчиков или отчеты о продажах. Данные собираются и подготавливаются для использования в качестве обучающих данных или информации, на которой будет обучаться модель машинного обучения. Чем больше данных, тем лучше программа.
Оттуда программисты выбирают модель машинного обучения для использования, предоставляют данные и позволяют компьютерной модели обучаться, чтобы находить закономерности или делать прогнозы. Со временем программист-человек также может настроить модель, в том числе изменить ее параметры, чтобы добиться более точных результатов.
Некоторые данные сохраняются из обучающих данных для использования в качестве оценочных данных, которые проверяют, насколько точна модель машинного обучения, когда ей показываются новые данные. В результате получается модель, которую можно использовать в будущем с различными наборами данных.
«Функция системы машинного обучения может быть описательной, то есть система использует данные для объяснения того, что произошло; прогностический, то есть система использует данные, чтобы предсказать, что произойдет; или предписывающий, что означает, что система будет использовать данные, чтобы давать предложения о том, какие действия следует предпринять», — пишут исследователи.
ТРИ ПОДКАТЕГОРИИ МАШИННОГО ОБУЧЕНИЯ:
Модели машинного обучения под наблюдением обучаются с помощью помеченных наборов данных, что позволяет моделям обучаться и становиться более точными с течением времени. Например, алгоритм будет обучаться на изображениях собак и других предметов, помеченных людьми, а машина будет учиться самостоятельно определять изображения собак. Машинное обучение с учителем является наиболее распространенным типом, используемым сегодня.
При неконтролируемом машинном обучении программа ищет шаблоны в неразмеченных данных. Неконтролируемое машинное обучение может находить закономерности или тенденции, которые люди явно не ищут. Например, неконтролируемая программа машинного обучения может просматривать данные онлайн-продаж и определять различные типы клиентов, совершающих покупки.
Подкрепление машинного обучения обучает машины методом проб и ошибок, чтобы они предпринимали наилучшие действия, создавая систему вознаграждений. Обучение с подкреплением может обучать модели играть в игры или обучать автономные транспортные средства вождению, сообщая машине, когда она приняла правильное решение, что помогает ей со временем узнать, какие действия она должна предпринять.
РЕАЛИЗАЦИЯ МАШИННОГО ОБУЧЕНИЯ В РЕАЛЬНОМ ВРЕМЕНИ:
Распознавание изображений. Распознавание изображений — хорошо известный и широко распространенный пример машинного обучения в реальном мире. Он может идентифицировать объект как цифровое изображение на основе интенсивности пикселей в черно-белых или цветных изображениях. Реальные примеры распознавания изображений:
- Пометить рентген как раковый или нет
- Присвойте имя сфотографированному лицу (также известное как «отметка» в социальных сетях)
- Распознавайте почерк, разделяя одну букву на более мелкие изображения
Машинное обучение также часто используется для распознавания лиц на изображении. Используя базу данных людей, система может выявлять общие черты и сопоставлять их с лицами. Это часто используется в правоохранительных органах.
Распознавание речи. Машинное обучение может преобразовывать речь в текст. Некоторые программные приложения могут преобразовывать живой голос и записанную речь в текстовый файл. Речь также может быть сегментирована по интенсивности в частотно-временных диапазонах. Реальные примеры распознавания речи:
- Голосовой поиск
- Голосовой набор
- Управление прибором
Одними из наиболее распространенных применений программного обеспечения для распознавания речи являются такие устройства, как Google Home или Amazon Alexa.
Медицинская диагностика. Машинное обучение может помочь в диагностике заболеваний. Многие врачи используют чат-ботов с возможностью распознавания речи, чтобы различать закономерности в симптомах. Реальные примеры медицинской диагностики:
- Помощь в постановке диагноза или рекомендация варианта лечения
- Онкология и патология используют машинное обучение для распознавания раковой ткани
- Анализ телесных жидкостей
В случае редких заболеваний совместное использование программного обеспечения для распознавания лиц и машинного обучения помогает сканировать фотографии пациентов и выявлять фенотипы, коррелирующие с редкими генетическими заболеваниями.
Статистический арбитраж. Арбитраж – это автоматизированная торговая стратегия, используемая в финансах для управления большим объемом ценных бумаг. Стратегия использует торговый алгоритм для анализа набора ценных бумаг с использованием экономических переменных и корреляций. Реальные примеры статистического арбитража:
- Алгоритмическая торговля, которая анализирует микроструктуру рынка
- Анализировать большие наборы данных
- Определите возможности арбитража в реальном времени
Машинное обучение оптимизирует стратегию арбитража для улучшения результатов.
Прогнозная аналитика. Машинное обучение может классифицировать доступные данные по группам, которые затем определяются правилами, установленными аналитиками. Когда классификация завершена, аналитики могут рассчитать вероятность неисправности. Реальные примеры прогнозной аналитики:
- Прогнозирование того, является ли транзакция мошеннической или законной
- Улучшить системы прогнозирования для расчета вероятности неисправности
Предиктивная аналитика — один из самых многообещающих примеров машинного обучения. Это применимо ко всему; от разработки продукта до ценообразования на недвижимость.
Извлечение. Машинное обучение может извлекать структурированную информацию из неструктурированных данных. Организации накапливают огромные объемы данных от клиентов. Алгоритм машинного обучения автоматизирует процесс аннотирования наборов данных для инструментов прогнозной аналитики. Реальные примеры извлечения:
- Создайте модель для прогнозирования заболеваний голосовых связок
- Разработать методы профилактики, диагностики и лечения заболеваний
- Помогите врачам быстро диагностировать и лечить проблемы
Как правило, эти процессы утомительны. Но машинное обучение может отслеживать и извлекать информацию для получения миллиардов выборок данных.
Я хотел бы поблагодарить Namitha Pranesh Rao за то, что она поделилась этой статьей в рамках серии связанных тем Качество данных и наука о данных (вы можете посмотреть предыдущую статью здесь). В следующей ее статье мы обсудим машинное обучение, применяемое к примерам наборов данных, а также некоторые базовые фрагменты кода. Так что следите за обновлениями !! Спасибо.
Источник/ссылки:
https://mitsloan.mit.edu/ideas-made-to-matter/machine-learning-explained
https://www.youtube.com/watch?v=_uQrJ0TkZlc
https://www.salesforce.com/eu/blog/2020/06/real-world-examples-of-machine-learning.html
https://www.simplilearn.com/tutorials/machine-learning-tutorial/machine-learning-steps.
