Проще говоря, машинное обучение (ML) - это программирование машин (компьютеров), чтобы он мог выполнять запрошенную задачу, используя и анализируя данные (информацию) для выполнения этой задачи самостоятельно, без дополнительного ввода от человека-разработчика.
Машиноведение 101
Семестр машинное обучение был придуман в лабораториях IBM в 1959 году Артуром Самуэлем, пионером в области искусственного интеллекта (AI) и компьютерных игр. Машиноведение, как результат, является подразделением Искусственного интеллекта. Предпосылка Самуэля заключалась в том, чтобы перевернуть компьютерную модель времени вверх дном и перестать давать компьютерные вещи для изучения.
Вместо этого он хотел, чтобы компьютеры начали самостоятельно разбираться, без того, чтобы люди не вводили даже самую крошечную информацию. Затем, подумал он, компьютеры не просто выполняют задачи, но могут в конечном итоге решить, какие задачи выполнять и когда. Зачем? Чтобы компьютеры могли сократить объем работы людей, необходимых для выполнения в любой заданной области.
Как работает машинное обучение
Машинное обучение работает с использованием алгоритмов и данных. Алгоритм представляет собой набор инструкций или рекомендаций, которые сообщают компьютеру или программе о том, как выполнять задачу. Алгоритмы, используемые в ML, собирают данные, распознают шаблоны и используют анализ этих данных для адаптации своих собственных программ и функций для выполнения задач.
В алгоритмах ML используются наборы правил, деревья решений, графические модели, обработка естественного языка и нейронные сети (для обозначения нескольких) для автоматизации обработки данных для принятия решений и выполнения задач. Хотя ML может быть сложной темой, Google Teachable Machine предоставляет упрощенную практическую демонстрацию того, как работает ML.
Самая мощная форма машинного обучения, используемая сегодня, называется глубоким обучением, строит сложную математическую структуру, называемую нейронной сетью, основанную на огромном количестве данных. Нейронные сети являются наборами алгоритмов в ML и AI, смоделированных после того, как нервные клетки в человеческом мозге и информации о процессе нервной системы.
Искусственный интеллект против машинного обучения и интеллектуального анализа данных
Чтобы лучше понять взаимосвязь между AI, ML и интеллектуальным анализом данных, полезно подумать о наборе зонтиков разных размеров. AI - самый большой зонт. Зонтик ML меньше размера и подходит под зонтиком AI. Зонт для добычи данных является самым маленьким и подходит под зонтиком ML.
- AI - это отрасль компьютерной науки, целью которой является программирование компьютеров для выполнения задач более «интеллектуальными» и «человекоподобными» способами с использованием методов рассуждений и принятия решений, смоделированных после человеческого интеллекта.
- ML - это категория вычислений в AI, ориентированная на компьютерные машины (компьютеры), чтобы учиться (собирать необходимые данные или примеры), чтобы сделать интеллектуальные решения, управляемые данными, более автоматизированным способом.
- Data mining использует статистику, ML, AI и огромные базы данных информации для поиска шаблонов, предоставления информации, создания классификаций, выявления проблем и предоставления подробной аналитики данных.
Какое машинное обучение может (и уже делает)
Способность компьютеров анализировать огромное количество информации за доли секунды делает ML полезной в ряде отраслей, где время и точность важны.
- Лекарственное средство: Технология ML внедряется в ряде решений для медицинской сферы, в том числе помогает врачам неотложной помощи с более быстрой диагностикой пациентов с необычными симптомами. Врачи могут вводить список симптомов пациента в программу и использовать ML, программа может отслеживать триллионы терабайт информации из медицинской литературы и Интернета, чтобы вернуть список потенциальных диагнозов и рекомендовал тестирование или лечение в рекордные сроки.
- Образование: ML используется для создания учебных инструментов, которые адаптируются к потребностям учащихся, таких как помощники по виртуальному обучению и электронные учебники, которые являются более интерактивными. Эти инструменты используют ML, чтобы узнать, какие концепции и навыки ученик понимает, используя короткие викторины и практические упражнения. Затем инструменты предоставляют короткие видеоролики, дополнительные примеры и справочные материалы, чтобы помочь учащемуся освоить необходимые навыки или концепции.
- Автомобили: ML также является ключевым компонентом в появляющейся области самозанятых автомобилей (также называемых без водителя автомобилями или автономными автомобилями). Программное обеспечение, управляющее автомобилями, управляемыми автомобилем, использует ML во время реальных дорожных испытаний и симуляций для определения дорожных условий (таких как ледяные дороги) или выявления препятствий на проезжей части и изучения соответствующих задач вождения для безопасного перемещения по таким ситуациям.
Вероятно, вы уже много раз встречались с ML, не осознавая этого. Некоторые из наиболее распространенных применений технологии ML включают в себя практическое распознавание речи (Samsung Bixby, Apple Siri и многие программы для разговора с текстом, которые теперь являются стандартными для ПК), фильтрация спама для вашей электронной почты, создание новостных лент, обнаружение мошенничества, персонализация рекомендации по покупкам и предоставление более эффективных результатов веб-поиска.
ML даже участвует в вашем фиде Facebook. Когда вы любите или часто нажимаете на сообщения друга, алгоритмы и ML за кулисами «учатся» из ваших действий с течением времени, чтобы приоритезировать определенных друзей или страницы в вашем Newsfeed.
Что машинное обучение не может сделать
Однако существуют ограничения на то, что ML может сделать. Например, использование технологии ML в разных отраслях требует значительного объема разработки и программирования людьми для специализации программы или системы для задач, требуемых этой отраслью.В нашем медицинском примере выше программа ML, используемая в отделении неотложной помощи, была разработана специально для медицины человека. В настоящее время невозможно принять эту точную программу и непосредственно внедрить ее в ветеринарный центр неотложной помощи. Такой переход требует обширной специализации и развития человеческих программистов для создания версии, способной выполнять эту задачу для ветеринарной или животной медицины.
Он также требует невероятно большого количества данных и примеров, чтобы узнать информацию, необходимую для принятия решений и выполнения задач. Программы ML также очень буквальны в интерпретации данных и борьбе с символикой, а также некоторых типах отношений в результатах данных, таких как причина и следствие.
Однако дальнейшие достижения делают ML более важной для всех технологий, создающих интеллектуальные компьютеры каждый день.
