Введение

Искусственный интеллект определяется как использование компьютеров или машин для минимизации возможностей человеческого разума по решению проблем и принятию решений. Это наука, посвященная тому, чтобы заставить машины думать как люди.

Машинное обучение – это разновидность искусственного интеллекта, которая больше ориентирована на использование различных алгоритмов самообучения, которые извлекают знания из других данных для прогнозирования результатов.

Глубокое обучение – это еще одно подразделение машинного обучения. Глубокое обучение – это тип машинного обучения, основанный на том, как работает наш мозг. Представьте себе, что вы учите компьютер понимать и распознавать вещи, например, объясняя ему разницу между кошкой и собакой на картинках. В традиционном программировании нам пришлось бы давать компьютеру множество конкретных инструкций о том, что делает кошку и что делает собаку. Но при глубоком обучении мы позволяем компьютеру разобраться в некоторых из этих вещей самостоятельно, примерно так же, как наш мозг учится, рассматривая множество примеров.

Что такое машинное обучение (ML)?

Машинное обучение — это разновидность искусственного интеллекта (ИИ), которая фокусируется на разработке алгоритмов и моделей, которые позволяют компьютерам учиться и делать прогнозы или решения на основе данных.

Машинное обучение — это изучение компьютерных алгоритмов, которые автоматически улучшаются с опытом.

Это позволяет компьютерам обнаруживать скрытую и полезную информацию из данных.

Мы передаем примеры в систему, и алгоритмы машинного обучения предоставляют нам необходимые результаты.

Проще говоря, машинное обучение — это новый способ донести свои пожелания до компьютера.

Что такое модель машинного обучения?

Представьте, что вы хотите научить компьютер распознавать кошку и собаку. Модель машинного обучения подобна показу компьютеру сотен изображений кошек и собак и сообщению ему, какие из них кошки, а какие собаки. Модель учится на этих примерах и сама определяет различия между кошками и собаками. Затем, когда вы дадите ему новую картинку, он сможет сделать обоснованное предположение о том, кошка это или собака, основываясь на том, что он узнал. Это все равно что тренировать компьютер, чтобы он стал детективом по картинкам!

Модель машинного обучения подобна волшебной шкатулке, которая помогает нам предсказать, чего мы хотим. В приведенном выше примере мы хотим предсказать, есть ли на изображении кошка или собака. Другой пример — обнаружение спама. В этом случае мы будем предсказывать, должно ли входящее электронное письмо попасть в наш почтовый ящик или в ящик для спама.

Процессы, участвующие в машинном обучении

Представьте, что в мире технологий компьютеры становятся умнее, обучаясь на примерах, точно так же, как мы учимся, пробуя что-то. В этой части блога я буду показывать процессы машинного обучения. Приготовьтесь узнать, как компьютеры становятся умными друзьями, которые учатся и растут с каждым новым опытом.

Я бы подробно написал об этих процессах в другом сообщении в блоге.

Варианты использования машинного обучения

Теперь давайте рассмотрим некоторые области, где используется машинное обучение. Приведенные ниже примеры демонстрируют разнообразные применения машинного обучения в различных отраслях, меняющие способы нашего взаимодействия с технологиями и улучшающие процессы принятия решений.

  • Обнаружение мошенничества. Финансовые учреждения используют машинное обучение для выявления необычных закономерностей и аномалий в транзакциях. В этом случае машинное обучение поможет определить, является ли транзакция мошеннической или нет, тем самым повышая безопасность.
  • Фильтрация спама в электронной почте: машинное обучение помогает определить, должно ли конкретное письмо попасть в папку «Входящие» или в папку «спам».
  • Распознавание изображений. Машинное обучение позволяет использовать приложения, которые могут идентифицировать и классифицировать объекты на изображениях, например распознавание лиц в целях безопасности, обнаружение заболеваний на медицинских изображениях и идентификацию объектов для автономных транспортных средств.
  • Обработка естественного языка (НЛП). Методы НЛП позволяют машинам понимать и обрабатывать человеческий язык. Варианты использования, такие как чат-боты для поддержки клиентов, анализ настроений для мониторинга социальных сетей и языковой перевод.
  • Системы рекомендаций. Машинное обучение приводит в действие механизмы рекомендаций, которые предлагают продукты, фильмы, музыку и контент с учетом индивидуальных предпочтений, улучшая взаимодействие с пользователем и повышая уровень вовлеченности, например рекомендации по музыке на Spotify и рекомендации по продуктам на таких платформах, как Amazon и Jumia.
  • Прогнозная аналитика. Организации используют машинное обучение для прогнозирования будущих результатов на основе исторических данных, оптимизации бизнес-решений, таких как прогнозирование продаж, цен на акции или сбоев оборудования.
  • Диагностика здравоохранения: машинное обучение помогает диагностировать заболевания путем анализа медицинских данных, таких как рентгеновские снимки, рак и генетическая информация, помогая врачам ставить более точные и своевременные диагнозы.
  • Автономные транспортные средства. Машинное обучение играет жизненно важную роль в беспилотных автомобилях, позволяя транспортным средствам воспринимать окружающую среду, принимать решения и безопасно перемещаться.
  • Распознавание речи. Голосовые помощники, такие как Siri и Google Assistant, используют машинное обучение для понимания разговорной речи и выполнения таких задач, как установка напоминаний, отправка текстовых сообщений или совершение звонков.
  • Генерация текста. Модели машинного обучения могут генерировать связный и контекстуально релевантный текст, используемый в таких приложениях, как создание контента, автоматическое написание отчетов и помощь в творческом написании.

Важные ключевые слова

  • Переменная Label/Target/Output: переменная набора данных, о которой вы хотите получить более глубокое представление.
  • На изображении ниже показан фрагмент набора данных Титаника, столбец, отмеченный красными линиями, в данном случае является целевой переменной. Цель модели — предсказать, выжил ли пассажир после катастрофы «Титаника», учитывая его возраст, пол и некоторые другие особенности.

  • Предикторные/входные переменные/функции: это одна или несколько переменных, которые используются для определения или прогнозирования «целевой переменной».

На изображении ниже показан фрагмент набора данных Титаника, столбцы, отмеченные желтыми линиями, представляют собой входные переменные/предиктор. Эти столбцы будут использоваться для правильного прогнозирования «Целевой переменной» (которая является «Выжившей»).

Типы машинного обучения

Отличная работа после этого блога!

Теперь я буду подробно писать о типах машинного обучения, чтобы вы могли понять, когда использовать эти алгоритмы вместе с их приложениями.

В области машинного обучения для решения сложных задач используется несколько алгоритмов, и каждый из этих алгоритмов можно отнести к определенной категории.

Различные типы алгоритмов машинного обучения включают в себя:

  • Контролируемое обучение
  • Обучение без присмотра
  • Обучение с подкреплением

Контролируемое обучение

Этот метод использует помеченные данные для обучения моделей машинного обучения. Помеченные данные означают, что выходные данные вам уже известны, модели просто нужно сопоставить входные данные с выходными данными.

Обучение с учителем используется для решения двух типов задач:

  • Классификация
  • Регрессия

Обучение без присмотра

Этот метод обучения использует немаркированные данные для обучения машин. Немаркированные данные означают, что нет фиксированной выходной переменной. Модель учится на данных, обнаруживает закономерности и особенности в данных и возвращает выходные данные.

Это называется обучением без присмотра, потому что нет правильных ответов и нет учителя. Алгоритмы предоставлены сами себе, чтобы обнаружить и представить интересную структуру данных.

Обучение без присмотра = обучение без присмотра

Обучение с подкреплением

Обучение с подкреплением обучает машину получать подходящий доступ и максимизировать вознаграждение в конкретной ситуации. Он использует агента и среду для выполнения действий и вознаграждений. У агента есть начальное и конечное состояния, но могут быть разные пути достижения конечного состояния, например в лабиринте. В этом методе обучения нет заранее определенной целевой переменной.

Слава вам, вы дошли до конца! Я праздную тебя!

Наконец, наше путешествие в мир основ машинного обучения оказалось настоящим приключением!

Благодаря этому блогу мы узнали, как машинное обучение используется в различных областях, таких как здравоохранение, финансовые учреждения, развлечения и т. д. Оно меняет то, как мы работаем, и то, как мы понимаем мир.

Но помните, что мы изучили здесь лишь основы. Итак, независимо от того, хотите ли вы работать с данными, любите играть с компьютерным кодом или просто любите узнавать интересные вещи, знайте, что всегда есть чему поучиться.

Просто продолжайте исследовать и пробовать что-то новое. Машинное обучение — это большая ниша, в которой ждет своего открытия множество интересных вещей. То, чему вы здесь научились, похоже на первые шаги в большом приключении. Давайте заглянуть в будущее и порадоваться всем удивительным вещам, которые машинное обучение принесет в будущем!

Спасибо за прочтение. Следите за этим разделом, чтобы увидеть больше публикаций о крутых технических вещах.