Новые технологии Что такое...?

Machine learning (ML). Машинное обучение. Помогает или вредит?

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.