Що таке машинне навчання і чому воно сьогодні повсюдно?

Якщо ви не жили під скелею, ігноруючи кожне велике технологічне досягнення останнього десятиліття, ви напевно чули про машинне навчання. Будь то краще виявлення і запобігання шахрайству, зручні онлайн-рекомендації від Netflix і Amazon, революційна технологія розпізнавання облич або футуристичні безпілотні автомобілі – машинне навчання лежить в основі нинішньої революції в галузі штучного інтелекту. Але що це таке? Пропонуємо зручний путівник для початківців.

Що таке машинне навчання і чому воно важливе?

Машинне навчання – це підхід до штучного інтелекту, який зосереджений на створенні машин, здатних навчатися без явного програмування. Навчання є надзвичайно важливою частиною того, що робить нас людьми. Якщо ми збираємося створити ШІ, який може виконувати завдання з інтелектом, подібним до людського, нам потрібно створити машини, які можуть навчатися самостійно, на основі свого минулого досвіду.

Це відрізняється від класичного символічного підходу до ШІ, в якому програмісти створюють покрокові правила для машин, яким вони повинні слідувати, замість того, щоб дозволяти їм відкривати для себе інсайти. Хоча машинне навчання все ще передбачає цей класичний стиль програмування, воно поєднує ці основні правила зі знаннями, які комп’ютери здатні збирати самостійно, щоб ставати розумнішими.

До речі, тут також є багато статистики. На сьогоднішній день величезний успіх машинного навчання призвів до того, що воно стало найбільш домінуючою підгрупою ШІ, яка практикується в усьому світі.

Можете навести базовий приклад машинного навчання в дії?

Безумовно. Машинне навчання може досягти досить вражаючих успіхів у ШІ (згадайте самокеровані автомобілі або навчання роботів автономній взаємодії з навколишнім світом), але воно також відповідає і за більш прості, але все ще неймовірно корисні програми.

Однією з хороших ілюстрацій машинного навчання в дії є так званий “спам-фільтр”, який, швидше за все, використовується вашою системою електронної пошти, щоб відрізнити корисні листи від небажаного небажаного спаму. Для цього такі фільтри включають правила, введені програмістом, до яких він може додати числа, які – при додаванні – дадуть гарну вказівку на те, чи вважає програмне забезпечення, що електронний лист корисний, щоб показати вам.

Проблема в тому, що правила є суб’єктивними. Правило, яке відфільтровує листи з низьким співвідношенням зображення до тексту, не дуже корисне, якщо ви графічний дизайнер, який, швидше за все, отримає багато корисних листів, що відповідають цим параметрам. В результаті, машинне навчання дозволяє програмному забезпеченню адаптуватися до кожного користувача, виходячи з його власних вимог. Коли система позначає деякі листи як спам, реакція користувача на ці листи (читання або видалення) буде залежати від того, як він їх прочитає або видалить.

Не зовсім так. У машинному навчанні використовується багато статистичних інструментів, і хороші знання математики допоможуть вам на курсі машинного навчання так само, як знання англійської мови на курсі англійської літератури.

Безумовно, між цими двома областями є певний перетин, але головна відмінність полягає в тому, що інтелектуальний аналіз даних – це заглиблення в набір даних для пошуку інформації. Машинне навчання – це використання даних для того, щоб з’ясувати, як передбачити майбутні результати, або навчити машину виконувати певне завдання.

Ми чули таке пояснення: інтелектуальний аналіз даних – це пошук списку танцювальних центрів у Портленді; машинне навчання – це навчання танцям.

Чи існують різні типи машинного навчання?

Ще б пак! Основний спосіб поділу машинного навчання – це зосередитись на тому, як машина навчається. Існує чотири основні підходи: контрольоване навчання, неконтрольоване навчання, напівконтрольоване навчання і навчання з підкріпленням.

Навчання під наглядом передбачає навчальні дані, в яких є бажаний результат. (До цієї категорії належить наш алгоритм фільтрації спаму). Далі йде неконтрольоване навчання, в якому навчальні дані не мають чітких результатів. Потім йде напівконтрольоване навчання, при якому бажаних результатів небагато.

Інший тип машинного навчання, який набуває все більшої популярності в наші дні, – це навчання з підкріпленням. Цей амбіційний підхід до машинного навчання передбачає винагороду штучного агента на основі того, що він робить. Навчання з підкріпленням може допомогти машинам досягти таких успіхів, як з’ясування того, як грати у відеоігри, шляхом спроб і помилок, на основі відпрацювання того, що збільшує його рахунок.

Яке відношення до всього цього мають нейронні мережі?

Ах, так: нейронні мережі. Якщо ви стежили за ШІ протягом останнього десятиліття (або читали нашу нещодавню статтю-пояснення), ви майже напевно стикалися з цими інструментами машинного навчання, натхненними мозком. Нейронні мережі глибокого навчання є важливою частиною машинного навчання сьогодні, але не єдиною.

Оскільки ця сфера полягає в тому, щоб з’ясувати, як найкраще вписати дані в моделі, які можуть бути використані людьми, вирішальним кроком для тих, хто навчається машинному навчанню, є визначення того, як найкраще представити знання, коли вони намагаються вирішити проблему. Нейронні мережі є одним із прикладів того, як цього можна досягти. Інші включають машини опорних векторів, дерева рішень, генетичні алгоритми тощо.

Які мови програмування використовувати для машинного навчання?

Як і на попереднє запитання, на це немає однозначної відповіді. Машинне навчання – це велика область, і, маючи стільки всього, що потрібно охопити, не існує однієї мови, яка б робила абсолютно все.

Завдяки своїй простоті та наявності бібліотек глибокого навчання, таких як TensorFlow та PyTorch, Python наразі є мовою номер один. Якщо ви думаєте про те, щоб заглибитися в машинне навчання вперше, це також одна з найдоступніших мов – і є безліч доступних онлайн-ресурсів.

Java також є хорошим варіантом, і має власну велику спільноту, в той час як C ++ і

Але як інструмент, який допомагає революціонізувати технології, якими ми їх знаємо, і робить ШІ доступним для мас? Не сумнівайтеся, це чудовий інструмент!

Рекомендації редакції

Оскільки 2020 рік недостатньо божевільний, рот робота співає молитви зі штучним інтелектом у Парижі

АІ-перекладач проливає світло на таємну мову мишей

Автоматизований додаток допомагає звичайним громадянам судитися з настирливими роботами-шахраями

Нове “тіньове” дослідження від MIT використовує тіні, щоб побачити те, що не можуть камери

ШІ, що читає думки, аналізує хвилі вашого мозку, щоб вгадати, яке відео ви дивитеся

• машинне навчання

Source: digitaltrends.com