Paulas Downey | Flickr
Mašinų mokymasis yra frazė, kuri vis dažniau bandoma bandyti, tačiau daugelis vis dar tiksliai nežino, kas tai yra . Žinoma, tam yra priežastis. Tai vis dar labai ankstyvoje stadijoje, ir daugelis mano, kad tai dar nėra kažkas paveikęs plačiąją populiaciją. Tiesą sakant, galbūt tai nėra taip tiesa, kaip kai kurie mano.
Taigi, kas yra mašinų mokymasis? Ir kuo jis naudojamas šiandien? Čia yra mūsų vadovas visko, ko reikia žinoti apie mašinų mokymąsi.
Kas yra mašinų mokymasis?
Tiesiog mašininis mokymasis yra dirbtinio intelekto forma, leidžianti kompiuteriams mokytis be jokio papildomo programavimo. Kitaip tariant, programinė įranga gali savarankiškai išmokti naujų dalykų, o programuotojui ar inžinieriui nereikia nieko „išmokyti“. Mašinų mokymasis gali paimti duomenis ir aptikti modelius bei rasti sprendimus, tada pritaikyti tuos sprendimus kitoms problemoms spręsti.
Vaizdas: K rlis Dambr? Ns | Flickr
Svarbu pažymėti, kad mašininis mokymasis kaip sąvoka nėra visiškai naujas dalykas - sunku atsekti tikslios idėjos kilmę, atsižvelgiant į tai, kad ji įsilieja į kitas technologijas ir iš jų. Galima teigti, kad mašininis mokymasis prasideda nuo Turingo testo sukūrimo, kuris buvo naudojamas nustatyti, ar kompiuteris turi intelektą. Pirmoji kompiuterinė programa, kurios mokėsi, buvo šaškių žaidimas, kurį 1952 m. Sukūrė Arthuras Samuelis. Šis žaidimas tapo geresnis, tuo labiau jis žaidė.
Tačiau naujausios technologijos žymiai pagerina mašinų mokymąsi. Pvz., Norint mokytis mašinų, reikia labai daug apdorojimo galios, tiek, kad mes tik neseniai pradėjome tobulinti pagrindinį mašinų mokymąsi nesenoje istorijoje.
Yra keletas pagrindinių būdų, kaip programuotojai įgyvendina mašininį mokymąsi. Pirmasis vadinamas „prižiūrimu mokymu“. Tai iš esmės reiškia, kad mašina maitina problemas, kai yra žinomas problemos sprendimas. Mokymosi algoritmas gali priimti tas problemas kartu su norimais rezultatais, identifikuoti problemų modelius ir atitinkamai elgtis. Prižiūrimas mokymasis dažnai naudojamas numatant būsimus įvykius, pavyzdžiui, kai kreditinės kortelės operacija gali būti apgaulinga.
Antrasis mašininio mokymosi įgyvendinimas vadinamas „neprižiūrimu mokymusi“. Šiuo atveju problemos rezultatas nėra pateiktas programinei įrangai - vietoj to ji maitina problemas ir turi aptikti duomenų modelius. Tikslas yra rasti pateiktų duomenų struktūrą.
Trečia - „pusiau prižiūrimas mokymasis“. Šis mašininio mokymosi metodas dažnai naudojamas tiems patiems dalykams, kaip ir prižiūrimas mokymasis, tačiau jis reikalauja duomenų su sprendimu ir duomenų be. Pusiau prižiūrimas mokymasis dažnai įgyvendinamas, kai lėšų yra nedaug, o įmonės nesugeba pateikti visų duomenų apie mokymosi procesą.
Paskutinis, bet ne mažiau svarbus dalykas yra „sustiprinamasis mokymasis“, kuris naudojamas specialiai tokiems dalykams kaip žaidimai ir robotai. Stiprinimo mokymasis iš esmės mokomas per bandymus ir klaidas - mašina bando dalykus ir mokosi remdamasi savo sėkmėmis ar nesėkmėmis. Tikslas - mašina išsiaiškinti kuo geresnius rezultatus.
Žinoma, visi šie mašininio mokymosi metodai apima šimtų tūkstančių problemų pateikimą mašinai ir didžiulį duomenų kiekį. Tikrai, kuo daugiau duomenų, tuo geriau.
Kur šiandien naudojamas mašinų mokymasis?
Pinigų nuotraukos | Flickr
Tiesą sakant, šiandien yra daugybė vietų, kuriose naudojamas mašinų mokymasis. Daugelis iš jų yra užkulisiuose, tačiau galite nustebti žinodami, kad daugelis jų taip pat yra tai, ką jūs naudojate kiekvieną dieną.
Ko gero, daugiausiai naudojate asmeniniame asistente - tiesa, „Siri“ ir „Google“ dabar mėgsta mašininį mokymąsi, daugiausia tam, kad geriau suprastų kalbos įpročius. Kai „Siri“ naudojasi daugybė milijonų žmonių, sistema gali rimtai pasistūmėti į priekį, kalbant apie kalbas, akcentus ir pan.
Žinoma, „Siri“ nėra vienintelis vartotojas, mokantis kompiuteriu. Kitas būdas yra bankininkystė, pavyzdžiui, sukčiavimo aptikimas. Pvz., Mašininio mokymosi algoritmai gali sekti išlaidų modelius, pagal ankstesnę apgaulingą veiklą nustatant, kurie modeliai yra labiau apgaulingi.
Tiesą sakant, net jūsų el. Laiške gali būti naudojamas kompiuterinis mokymasis. Pavyzdžiui, šlamšto el. Pašto adresai yra problema, ir jie bėgant laikui vystėsi. El. Pašto sistemos naudoja mašininį mokymąsi, norėdamos sekti šlamšto el. Laiškų modelius ir tai, kaip keičiasi šlamšto el. Laiškai, tada, remdamiesi tais pakeitimais, įdeda juos į šlamšto aplanką.
Išvados
Nustatyta, kad mašinų mokymasis yra didelė dalis to, kaip naudojame technologijas ir kaip technologijos gali mums padėti. Nuo Siri iki JAV banko, mašinų mokymasis tampa vis labiau paplitęs ir tikėtina, kad tai tęsis.
