Новые технологии Что такое...?

Что такое Machine learning (ML)/ Машинное обучение? Помогает или вредит?

Что такое Machine learning (ML)/ Машинное обучение? Помогает или вредит?

Machine learning (ML) или как компьютер поможет нам стать лучше.

Machine learning (ML) – это наука о том, как заставить компьютеры действовать, не будучи явно запрограммированными.

Машинное обучение (ML) касается систем и алгоритмов, которые могут учиться из разных данных и делать прогнозы. Примером является прогнозирование шаблонов трафика на занятом перекрестке – программа может запускать алгоритм машинного обучения, содержащий данные о прошлых шаблонах трафика и, проанализировав предыдущие данные, может разработать более надежные прогнозы будущих моделей трафика.

В последнее десятилетие машинное обучение дало нам автомобили с самообслуживанием, практическое распознавание речи, эффективный поиск в Интернете и значительно улучшенное понимание человеческого генома, банальный антиспам.

Machine learning настолько распространено, что вы, вероятно, используете его десятки раз в день, не зная об этом. Многие исследователи также считают, что это лучший способ добиться прогресса в области искусственного интеллекта на человеческом уровне.

Основные концепции, которые легли в основу машинного обучения следующие:

  • Анализ данных – область математики, занимающаяся построением и исследованием наиболее общих математических методов и алгоритмов извлечения знаний из экспериментально полученных показателей. Проще говоря процесс исследования и группировки данных об изучаемом объекте с целью определить его качества. По этим качествам можно будет в дальнейшем определить и сам объект.
  • Статистическое распознавание образов – процесс установление связи между отнесением объекта к тому или иному классу.

В ряде случаев это сводится к определению вероятности принадлежности объекта к какому-либо визуальному образу. Похож или не похож?

Из этих основ следует, что машины могут учиться без вмешательства человека, с помощью машинного обучения.

brain-logic-emotionsТехнология саморазвития машин призвана, как можно раньше, дать ответы на множество вопросов медицины, сохранения электроэнергии и других наиболее важных для человечества.

Цель учебной машины состоит в том, чтобы имитировать человеческое познание, создавая обобщенную модель для получения достаточно точных предсказаний.

ML вырос из отрасли искусственного интеллекта, которая изучает распознавание образов и компьютерное обучение.

Все задания ML могут вписываться в несколько категорий. Вот основные из них:

  • Контролируемое обучение (параметрические / непараметрические алгоритмы, опорные векторные машины, ядра, нейронные сети).

Контролируемое ML – полагается на данные, где указана настоящая метка.

Пример:

Обучение компьютеру различать фотографии кошек и собак с каждым изображением с меткой «кошка» или «собака». Маркировка обычно выполняется людьми, чтобы гарантировать высокое качество данных.

Узнав разницу, алгоритм ML теперь может классифицировать новые данные и предсказывать метки («кошка» или «собака») на ранее не изученных изображениях.

  • Неконтролируемое обучение (кластеризация, уменьшение размерности, системы рекомендаций, глубокое обучение)

Неконтролируемое ML – лишает алгоритм обучения меток, используемых в контролируемом обучении.

Обычно включает в себя обеспечение алгоритма ML с большим объемом данных по каждому аспекту объекта.

Пример: представлены изображения кошек и собак, которые не были помечены, неконтролируемый ML может разделять изображения на две группы на основе некоторых неотъемлемых характеристик изображений.

Это и есть статистическое распознавание образов.

Как именно происходит “закрепление данных”, полученных в ходе обучения.

Примером может быть складывание Кубик Рубика.rubiks-cube

Предположим машина не понимает алгоритм, но может проанализировать последовательность действий, приводящих к условной “победе”.

Таким образом используя тысячи комбинаций, перебирая, компьютер запомнит механизм складывания логической игрушки.

В ML используется более дюжины подходов. Некоторые из них включают:

Дерево принятия решений – интеллектуальная модель, которая отображает наблюдения за предметом, чтобы делать выводы о его целевом значении.

Байесовские сети – вероятностная графическая модель, представляющая набор случайных величин и их условных независимых величин. Как пример – вероятностные взаимосвязи между болезнями и симптомами.

Искусственные нейронные сети – алгоритм обучения, основанный на биологических нейронах, который использует инструменты моделирования статистических данных для поиска шаблонов в данных.

Значимость ML заключается в том, что, поскольку она управляется данными, ее можно обучить созданию ценных интеллектуальных моделей, которые могут определять правильные решения и интеллектуальные действия.