Последние несколько лет мы рассматриваем машинное обучение как модное словечко, причиной этого может быть большой объем знаний, производимых приложениями, рост вычислительной мощи за последние несколько лет и, следовательно, разработка более высоких алгоритмов.

Машинное обучение применяется везде, начиная с автоматизации повседневных задач и заканчивая предоставлением интеллектуальных знаний, отрасли промышленности в каждом секторе пытаются получить от этого удовольствие. Вы уже используете устройство, которое его использует, например, носимый фитнес-трекер, такой как Fitbit, или интеллектуальный домашний помощник, такой как Google Home. Но примеров ML в использовании гораздо больше.

Прогнозирование – Машинное обучение также может быть использовано в системах прогнозирования. Рассматривая пример с кредитом, для вычисления вероятности неисправности система должна будет классифицировать имеющиеся данные по группам.

Распознавание изображений – Машинное обучение часто используется для распознавания лиц на картинке также . есть отдельная категория для каждого человека в течение базы данных из нескольких человек.

Распознавание речи – это интерпретация произнесенных слов в текст. используется в голосовом поиске и многое другое. Голосовые пользовательские интерфейсы включают в себя голосовой набор, маршрутизацию вызовов и управление устройствами. Его также можно использовать для простого ввода данных и, следовательно, для подготовки структурированных документов.

Медицинская диагностика – ML обучена распознавать раковые ткани.

Финансовая промышленность и торговля – компании используют ML в расследованиях мошенничества и кредитных проверках.

Быстрая история машинного обучения

Именно в 1940-х годах была изобретена система ручных вычислений ENIAC (Electronic Numerical Integrator and Computer – электронный числовой интегратор и компьютер). В то время слово “компьютер” использовалось как репутацию человека с интенсивными числовыми вычислительными возможностями, поэтому ENIAC называли числовой вычислительной машиной! Ну, вы скажете, что нечего пытаться с помощью обучения?! WRONG, с самого начала мысль состояла в том, чтобы создать машину, готовую эмулировать человеческое мышление и обучение.

В 1950-х годах мы видим основную программу видеоигр, претендующую на победу над чемпионом мира по шашкам. Эта программа помогла игрокам в шашках тоннами совершенствовать свои навыки! в то же время Фрэнк Розенблатт изобрел Perceptron, который был действительно, очень простым классификатором, но когда он был объединен в большое количество, во время работы в сети, он стал сильным монстром. Ну, чудовище по отношению ко времени, и в это время, это был настоящий прорыв. Тогда мы видим несколько лет стагнации поля нейронной сети из-за ее трудностей в решении определенных проблем.

Благодаря статистике, машинное обучение стало очень известным в 1990-х годах. Пересечение вычислений и статистики породило вероятностные подходы в ИИ. Это привело к дальнейшему смещению сектора в сторону подходов, основанных на данных. Обладая большими объемами данных, ученые начали создавать интеллектуальные системы, которые были готовы анализировать и учиться на большом объеме знаний. В частности, система Deep Blue от IBM выиграла у чемпиона планеты по шахматам гроссмейстера Гарри Каспарова. Да, я знаю, что Каспаров обвинил компанию IBM в мошенничестве, но сейчас это часто является частью истории, и Deep Blue спокойно отдыхает во время работы в музее.

Что такое “Машинное обучение”?

По словам Артура Сэмюэля, алгоритмы машинного обучения позволяют компьютерам узнавать из данных и даже совершенствоваться, не будучи явно запрограммированными.

Машинное обучение (ML) может быть категорией алгоритмов, которые позволяют программным приложениям более точно предсказывать результаты без явного программирования. Основная предпосылка машинного обучения заключается в создании алгоритмов, которые будут получать входной файл и использовать статистический анализ для прогнозирования результатов при обновлении результатов по мере поступления новых данных

https://miro.medium.com/max/720/1*zHuGSwosBKFOZNKweIpWqw.jpeg

Виды машинного обучения?

Машинное обучение часто классифицируется на 3 типа алгоритмов.

Обучение под наблюдением – [Ссылка скоро появится в будущем блоге].

Неконтролируемое обучение – [Ссылка скоро появится в будущем блоге]

Reinforcement Learning – [Ссылка скоро появится в будущем блоге]

Обзор алгоритма обучения под надзором

В процессе обучения под надзором система ИИ представлена с данными, которые маркируются, что позволяет предположить, что все данные маркируются нужной меткой

https://miro.medium.com/max/904/1*af-tNiqd-3_ResjoDOFm5A.png

Цель состоит в том, чтобы аппроксимировать функцию отображения настолько хорошо, что после получения нового входного файла (x) вы просто можете предсказать выходные переменные (Y) для этих данных.

Как показано в приведенном выше примере, мы изначально взяли некоторые данные и пометили их как ‘Спам’ или ‘Не спам’. Эти помеченные данные используются моделью под наблюдением тренеров, эти данные используются для тренировки модели.

После тренировки мы протестируем нашу модель, протестируем ее с некоторыми тестовыми новыми письмами, и проверка модели в состоянии предсказать правильный вывод.

Типы обучения под наблюдением

Классификация: Проблема классификации заключается в том, что выходная переменная может быть категорией, например, “красная” или “синяя” или “болезнь” и “нет болезни”.

Регрессия: Проблема регрессии заключается в том, что выходная переменная может быть реальной величиной, например, “доллар” или “вес”.

Обзор неконтролируемого алгоритма обучения.

При неконтролируемом обучении система ИИ представлена немаркированными, некатегоризированными данными, поэтому алгоритмы системы действуют на информацию без предварительного обучения. Вывод зависит от закодированных алгоритмов. Подвергнуть систему неконтролируемому обучению – это метод тестирования ИИ.

В приведенном выше примере мы дали нашей модели несколько символов – “Утки” и “Не утки”. В наших данных по обучению мы не даем никаких ярлыков к соответствующим данным. Неконтролируемая модель в состоянии разделить как символы, просматривая вид знаний, так и моделировать основную структуру или распределение внутри данных, чтобы узнать об этом подробнее.

Типы неконтролируемого обучения

Кластеры: Проблема кластеризации – это то, где вы хотели бы получить внутренне присущие группировки внутри данных, как, например, группировка клиентов по покупательскому поведению.

Ассоциация: Проблема изучения правил ассоциации заключается в том, где вы хотели бы получить правила, которые описывают большую часть ваших данных, например, люди, которые покупают X, также склонны делать покупки за Y.

Обзор программы Reinforcement Learning

https://miro.medium.com/max/542/1*sTXlD9Vo6shG8RLuigobvA.png

Усиливающий алгоритм обучения, или агент, учится, взаимодействуя с окружающей средой. Агент получает вознаграждение за правильное выполнение и штрафы за неправильное выполнение. Агент учится без вмешательства человека, максимизируя его вознаграждение и минимизируя наказание. Это разновидность динамического программирования, которое тренирует алгоритмы с использованием системы вознаграждения и наказания.

В приведенном примере мы увидим, что агенту дано 2 варианта, т.е. путь с водой или путь с огнем. Алгоритм усиления работает на системе вознаграждения, т.е. если агент использует путь очага, то вознаграждение вычитается, и агент пытается выяснить, что ему следует избегать пути очага. Если бы он выбрал путь воды или безопасный путь, то к наградным очкам добавлялись бы некоторые очки, и тогда агент пытался бы узнать, какой путь безопасен, а какой нет.

В основном, используя полученные награды, агент улучшает свои знания об окружающей среде, чтобы выбрать последующее действие.