Paprasčiausiomis sąlygomis mašinų mokymasis (ML) yra mašinų (kompiuterių) programavimas, kad jis galėtų atlikti reikalaujamą užduotį, naudodamasis ir analizuojant duomenis (informaciją), kad galėtų atlikti šią užduotį nepriklausomai, be papildomos konkrečios įvesties iš žmogaus kūrėjo.
Mašininis mokymas 101
Terminas mašininis mokymasis buvo sukurtas IBM laboratorijose 1959 m. Arthur Samuel, dirbtinio intelekto (AI) ir kompiuterinių žaidimų pradininkas. Dėl to mašinų mokymasis yra dirbtinio intelekto šaka. Samuelio prielaida buvo apversti laiko skaičiavimo modelį aukštyn kojomis ir nustoti duoti kompiuteriams dalykus mokytis.
Vietoj to jis norėjo, kad kompiuteriai pradėtų suprasti dalykus vieni, o žmonės neturėtų įvesti net mažiausią informacijos. Tada jis manė, kad kompiuteriai ne tik atliks užduotis, bet galiausiai gali nuspręsti, kurias užduotis atlikti ir kada. Kodėl? Taigi, kad kompiuteriai galėtų sumažinti darbo kiekį, kurį žmonės turi atlikti bet kurioje konkrečioje srityje.
Kaip veikia mašininis mokymasis
Aparatas mokosi naudojant algoritmus ir duomenis. Algoritmas yra instrukcijų ar gairių rinkinys, nurodantis kompiuteriui ar programai, kaip atlikti užduotį. ML naudojami algoritmai kaupia duomenis, atpažįsta modelius ir naudoja tų duomenų analizę, kad pritaikytų savo programas ir funkcijas užduotims atlikti.
ML algoritmai naudoja taisyklių rinkinius, sprendimų medžius, grafinius modelius, natūralų kalbos apdorojimą ir neuroninius tinklus (kelis pavadinimus), kad automatizuotų duomenų apdorojimą priimant sprendimus ir atliekant užduotis. Nors "ML" gali būti sudėtinga tema, "Google" mokomoji mašina suteikia supaprastintą demonstraciją, kaip veikia ML.
Geriausias mokymosi būdas, naudojamas šiandien, vadinamas giliu mokymu, sukuria sudėtingą matematinę struktūrą, vadinamą neuroniniu tinklu, pagrįstą dideliais duomenų kiekiais. Neuroniniai tinklai yra algoritmų rinkiniai ML ir AI, modeliuojami po to, kai nervų ląstelės žmogaus smegenyse ir nervų sistemoje apdoroja informaciją.
Dirbtinis intelektas prieš mašiną "Learning versus Data Mining"
Norint geriau suprasti AI, ML ir duomenų analizės ryšius, patartina galvoti apie skirtingo dydžio skėčius. AI yra didžiausia skėtis. ML skėtis yra mažesnio dydžio ir tinka po AI skėčiu. Duomenų gavybos skėtis yra mažiausias ir prigludęs prie ML skėčio.
- AI yra kompiuterių mokslo šaka, kuria siekiama programuoti kompiuterius, kad būtų galima atlikti užduotis daugiau "intelektualių" ir "žmogiškų" būdų, naudojant protingumo ir sprendimų priėmimo metodus, modeliuotus po žmogaus intelekto.
- ML yra kompiuterių kategorija, skirta AI, orientuota į programavimo mašinas (kompiuterius) mokytis (rinkti reikiamus duomenis ar pavyzdžius), kad būtų galima automatizuotai atlikti duomenų valdymą, pažangius sprendimus.
- Duomenų kasyba naudoja statistiką, ML, AI ir didžiulę informacijos bazę, kad rastų modelius, pateiktų įžvalgų, kurtų klasifikacijas, nustatytų problemas ir pateiktų išsamią duomenų analizę.
Ką gali atlikti mašinų mokymasis (ir jau veikia)
Kompiuterių gebėjimas analizuoti didžiulę informacijos kiekį sekundės dalimis daro naudą daugelyje pramonės šakų, kuriose laikas ir tikslumas yra būtini.
- Medicina: ML technologija yra diegiama įvairiuose medicinos srities sprendimuose, įskaitant pagalbą skubios pagalbos skyrių gydytojams, kurie greičiau diagnozuoja pacientus, kuriems yra neįprasti simptomai. Gydytojai gali įterpti paciento simptomų sąrašą į programą ir naudoti ML, programa gali išplėsti trilijonus terabaitų informacijos iš medicinos literatūros ir interneto, kad galėtumėte grąžinti galimų diagnozių sąrašą ir rekomenduojamus tyrimus ar gydymą rekordiškai.
- Išsilavinimas: ML naudojamas kurti mokymosi priemones, kurios pritaikytos mokinio mokymosi poreikiams, pvz., Virtualiems mokymams ir elektroniniams vadovams, kurie yra labiau interaktyvūs. Šios priemonės naudoja ML, norint sužinoti, kurias sąvokas ir įgūdžius mokinys supranta naudodamas trumpus viktorinos ir praktikos pratybas. Tada įrankiuose pateikiami trumpi vaizdo įrašai, papildomi pavyzdžiai ir pagrindinė medžiaga, padėsianti studentui išmokti reikiamų įgūdžių ar koncepcijų.
- Automobiliai: ML taip pat yra pagrindinis savarankiškai besivystančių automobilių (dar vadinamų mašinomis be mašinistų ar autonominių automobilių) srityje. Programoje, kuri veikia savarankiškai važiuojantiems automobiliams, atliekant tikruosius važiavimo kelius bandymus ir simuliacijas naudoja savaiminio kėbulo automobilius, kad nustatytų kelio sąlygas (pvz., Ledinius kelius) arba nustatytų kliūtis keliuose ir išmoktų tinkamas vairavimo užduotis, kad būtų galima saugiai judėti tokiose situacijose.
Jūs tikriausiai jau susidūrėte su ML daug kartų, nežinodami apie tai. Kai kurie dažniausiai naudojami ML technologijos apima praktinę kalbos atpažinimo funkciją ("Samsung" "Bixby", "Apple Siri" ir daugelis kalbinių tekstų programų, kurios šiuo metu yra standartinės kompiuteriuose), elektroninio pašto šiukšlių filtravimas, naujienų kanalų kūrimas, apgaulingumo nustatymas, asmeninės pritaikymas apsipirkimo rekomendacijos ir efektyvesnės paieškos internete rezultatai.
ML net dalyvauja jūsų "Facebook" kanale. Kai jums patinka arba spustelėkite draugo įrašus dažnai, algoritmai ir "ML" už scenos "išmoksta" iš jūsų veiksmų laikui bėgant, kad pirmenybė būtų teikiama tam tikriems draugams ar puslapiams jūsų "Newsfeed".
Ką mašinų mokymasis negali daryti
Tačiau yra tam tikros ML ribos. Pavyzdžiui, ML technologijos naudojimas skirtingose pramonės šakose reikalauja didelės sumos žmonių tobulinti ir programuoti, kad specializuotų tos srities reikalaujamų užduočių tipų programą ar sistemą.Mūsų aukščiau pateiktame medicininiame pavyzdyje ML programa, naudojama skubios pagalbos skyriuje, buvo sukurta specialiai žmogaus medicinai. Šiuo metu negalima imtis tos tikslios programos ir tiesiogiai jį įgyvendinti veterinarinės pagalbos centre. Toks perėjimas reikalauja, kad žmogaus programuotojai plačiai specializuotų ir tobulėtų, kad sukurtų versiją, kuri galėtų atlikti šią užduotį veterinarijos ar gyvūnų medicinos srityje.
Tai taip pat reikalauja neįtikėtinai daug duomenų ir pavyzdžių, kad būtų galima sužinoti informaciją, kurios reikia sprendimams priimti ir užduotims atlikti. ML programos taip pat labai aiškios duomenų interpretavime ir kovoje su simbolika, taip pat kai kuriais ryšių tipais duomenų rezultatuose, pvz., Priežastys ir poveikis.
Tačiau tolesni pasiekimai daro "ML" dar vieną pagrindinę technologiją, sukuriančią pažangesnius kompiuterius kasdien.
