Как объяснить машинное обучение своей семье?

Я постоянно слышал, как люди говорят о машинном обучении и искусственном интеллекте. Эти термины стали наиболее популярными в Интернете, и информации о них огромное количество. Вот почему ваша семья и друзья, не участвующие в ТИ, могут не знать, что означают эти термины, и обращаться к вам за помощью.

Позвольте мне объяснить вам как можно проще. Ему просто нравится, как вы готовитесь к новой работе. Каждый раз, когда вы попадаете на новую работу, вы можете заметить, что в компании, в которой вы новичок, другие правила, и у вас много заданий, и вашему начальнику нравится, как он это делает. Итак, вы похожи на алгоритм, который обучается делать что-то так, как нужно компании. Если в следующий раз вашему начальнику не понравится то, что вы делаете, он/она расскажет вам, как правильно для него, и вы научитесь добиваться успеха.

Вы понимаете, что такое машинное обучение?

Машинное обучение — это приложение искусственного интеллекта (ИИ), которое появилось в 60-х годах и предоставляет системам возможность автоматически учиться и совершенствоваться на основе опыта без явного программирования. Процесс обучения начинается с наблюдения или прямого опыта данных, или инструкций, чтобы искать закономерности в данных и принимать лучшие решения в будущем на основе примеров, которые мы предоставляем. Так работает машинное обучение и развивает интуицию в окружающей среде.

Примеры использования машинного обучения

Существует множество вариантов использования машинного обучения в ряде отраслей.

1. Обнаружение мошенничества с кредитными картами

2. Выявление страхового мошенничества

3. Рекомендательные и поисковые системы

4. Распознавание речи и рукописного ввода

5. Анализ финансового рынка

6. Распознавание объектов

7. Медицинский диагноз

8. Анализ настроений

Некоторые методы машинного обучения

Алгоритмы машинного обучения часто подразделяют на контролируемое, неконтролируемое и обучение с подкреплением.

Контролируемое обучение

Поясню на другом примере. Представьте, что завтра вечером вы планируете пойти куда-нибудь с друзьями, и ваш наряд зависит от того, будет ли дождь или нет. Итак, вы хотите предсказать погодные условия на завтра. Как ты можешь это догадаться? Это когда может иметь место часть машинного обучения, называемая обучение супервизора, которая использует информацию из прошлого и использует ее для прогнозирования чего-то в будущем, как в примере, будет ли завтра дождь или нет, с данные, которые помечены.

R S R S R R S

Дождь — это переменная, которую мы хотим предсказать. Эта переменная зависит от других переменных, например, максимальной температуры, минимальной температуры, скорости ветра, влажности и т. д. В результате некоторых условий, которые имеет эта погода, вы можете обучить модель предсказывать, будет ли завтра дождь или нет, что это называет машинным обучением.

В предыдущем абзаце я рассказал вам об одной из ветвей машинного обучения обучение с учителем, когда модель обучается на размеченном наборе данных. Помеченный набор данных — это набор данных, который имеет как входные, так и выходные параметры. В этом типе обучения как для обучения, так и для проверки наборы данных помечаются.

Рисунок A: это набор данных торгового магазина, который полезен для прогнозирования того, купит ли покупатель конкретный рассматриваемый продукт или нет, исходя из его/ее пола, возраста и зарплаты.

Рисунок B: это набор метеорологических данных, который служит для прогнозирования скорости ветра на основе различных параметров.

Типы контролируемого обучения:

Классификация:

Целью классификации является прогнозирование дискретных значений, принадлежащих к определенному классу, и оценка на основе точности. Например, на приведенном выше рисунке A элемент «Выход — куплено» имеет определенные метки, т. е. 0 или 1; 1 означает, что клиент будет покупать, а 0 означает, что клиенты не будут покупать.

Это может быть либо бинарная, либо многоклассовая классификация, такая как Gmail, которая классифицирует почту более чем по одному классу, например социальные сети, рекламные акции, обновления, форумы.

Регрессия:

Это задача контролируемого обучения, где результат имеет непрерывную ценность. Цель здесь состоит в том, чтобы предсказать значение как можно более близкое к фактическому выходному значению, насколько это может сделать наша модель, и оценка выполняется путем вычисления значения ошибки. Чем меньше ошибка, тем выше точность нашей регрессионной модели.

Например, на приведенном выше рисунке B выход — скорость ветра не имеет дискретного значения, а является непрерывным в определенном диапазоне.

Пример контролируемых алгоритмов обучения:

· Линейная регрессия

· Ближайший сосед

· Гуасовский наивный байесовский метод

· Деревья решений

· Метод опорных векторов (SVM)

· Случайный лес

Подобно этому типу обучения, есть два других, которые называются неконтролируемое обучение и обучение с подкреплением.

Обучение без учителя.

Неконтролируемое обучение — это метод машинного обучения, который использует информацию, не классифицированную и не помеченную, и позволяет алгоритму действовать на этой информации без руководства. Цель здесь состоит в том, чтобы сгруппировать несортированную информацию по сходствам, шаблонам и различиям без какой-либо предварительной подготовки данных.

Алгоритм не проходит обучение какой-либо классифицированной переменной, что означает, что машина не проходит никакого обучения. Вот почему сложной задачей для машины является самостоятельное нахождение сходства или закономерности. Вот пример:

Предположим, у вас есть корзина, и она наполнена фруктами какого-то другого типа; ваша задача состоит в том, чтобы организовать их в группы.

На этот раз вы ничего не знаете о фруктах. как вы их расставите?

Вы возьмете фрукт и расположите его, учитывая физические характеристики этого конкретного фрукта. Предположим, вы рассмотрели цвет. Таким образом, вы расставите их, рассматривая базовое состояние как цвет. Тогда группы будут примерно такими.

ГРУППА КРАСНЫХ ЦВЕТОВ:яблоки и вишневые фрукты.

ГРУППА ЗЕЛЕНЫХ ЦВЕТОВ: бананы и виноград.

Теперь вы возьмете другую физическую характеристику, например размер.

КРАСНЫЙ ЦВЕТ И БОЛЬШОЙ РАЗМЕР:яблоко.

КРАСНЫЙ ЦВЕТ И МАЛЕНЬКИЙ РАЗМЕР:плоды вишни.

ЗЕЛЕНЫЙ ЦВЕТ И БОЛЬШОЙ РАЗМЕР:бананы.

ЗЕЛЕНЫЙ ЦВЕТ И МАЛЕНЬКИЙ РАЗМЕР:виноград.

Вы отлично поработали, в отличие от обучения супервайзера, здесь вы ничему не научились, что означает отсутствие данных о поездах и переменных меток. Этот тип обучения известен как неконтролируемое обучение.

Типы обучения без учителя.

Кластеризация: это задача группировки набора объектов таким образом, чтобы объекты в одной группе (кластере)были больше похожи друг на друга, чем другие, по некоторым критериям, чем другие. находящиеся в других группах.

Применения кластеризации.

Рекомендательные двигатели
Сегментация рынка
Анализ социальных сетей
Группировка результатов поиска
Медицинская визуализация
Сегментация изображения
Обнаружение аномалий

Уменьшение размера:

Уменьшение количества рассматриваемых переменных. Во многих приложениях необработанные данные имеют очень многомерные функции, а некоторые функции являются избыточными или не имеют отношения к задаче. Кроме того, уменьшение размерности помогает найти реальную связь между переменными.

Обучение с подкреплением.

Обучение с подкреплением — это область машинного обучения, которая заключается в принятии подходящих действий для максимизации вознаграждения в конкретной ситуации. Он используется различным программным обеспечением и машинами, чтобы найти наилучшее возможное поведение или путь, который он должен выбрать в конкретной ситуации. Метод проб и ошибок и отсроченное вознаграждение отличают обучение с подкреплением от других методов.

Что требуется для создания хороших систем машинного обучения?

· Возможности подготовки данных.

· Алгоритмы — базовые и расширенные.

· Автоматизация и итерационные процессы.

· Масштабируемость.

· Ансамбльное моделирование.

Будущее машинного обучения

Если текущие тенденции в разработке алгоритмов и производительности оборудования сохранятся, практические приложения для машинного обучения вскоре значительно расширятся. Алгоритмы глубокого обучения уже используются для распознавания объектов и текста на изображениях, эмоциональных состояний на изображениях лиц и многого другого. Рассмотрите следующие возможности ближайшего будущего:

Самоуправляемые автомобили, которые могут не только распознавать объекты, такие как пешеходы, велосипеды и животные, но и предсказывать, что эти объекты могут делать.
Системы, которые могут «смотреть», оценивать и сообщать о спортивных событиях
Системы, которые могут распознавать и нейтрализовывать попытки взлома и мошеннические действия даже для подходов и уязвимостей, которые ранее не были известны
Роботы, которые могут определять ваше эмоциональное состояние и адаптировать свое взаимодействие с вами

Заключение

С включением технологий во все дела нашей жизни и подключением большего количества устройств к Интернету вещей. Накоплен огромный объем информации, поэтому есть необходимость лечиться и продолжать создавать и развивать методики, позволяющие эксплуатировать и добывать информацию. Именно здесь принимают участие упомянутые выше техники машинного обучения, все их способности предсказывать и анализировать модели поведения. Хотя эти методы известны уже некоторое время, их использование становится все более демократичным и популярным. Вот почему мы все должны знать и понимать возможности этих инструментов, а также их различные способы использования и то, как они могут влиять на наше поведение.

Ресурсы

Что такое машинное обучение?

https://www.youtube.com/watch?v=WXHM_i-fgGo

Цель ИИ — создать машину, которая может имитировать человеческий разум, а для этого ей нужны способности к обучению. Но как работает машинное обучение? http://goo.gl/1tjJZb

мл | Типы обучения — контролируемое обучение

https://www.geeksforgeeks.org/ml-types-learning-supervised-learning/

Что такое машинное обучение?

https://expertsystem.com/machine-learning-definition/

Прошлое, настоящее и будущее машинного обучения

https://www.andplus.com/blog/the-past-present-and-future-of-machine-learning