Машинное обучение - быстрорастущая и успешная отрасль искусственного интеллекта . По сути, машинное обучение - это процесс, позволяющий компьютерной системе учиться выполнять сложные задачи путем анализа больших наборов данных, а не для явного программирования с использованием определенного алгоритма или решения.
Таким образом, машинное обучение позволяет компьютеру научиться выполнять задачу самостоятельно и продолжать оптимизировать свой подход с течением времени без прямого участия человека.
Другими словами, алгоритм создает компьютер, а не программисты, и часто эти алгоритмы настолько сложны, что программисты не могут объяснить, как компьютер решает проблему. Люди не могут проследить логику компьютера от начала до конца; они могут только определить, находит ли он правильное решение поставленной проблемы, что выводится как «прогноз».
Типы машинного обучения
Существует несколько различных подходов к обучению экспертных систем, основанных на машинном обучении, в частности, «глубокое» обучение, которое функционирует через обработку вычислительных узлов. Вот самые распространенные формы:
Контролируемое обучение
Обучение с учителем - это модель, в которой компьютерам предоставляются данные, которые уже были структурированы людьми. Например, компьютеры могут учиться на базе баз данных и электронных таблиц, в которых данные уже систематизированы, например, финансовые данные или географические наблюдения, записанные со спутников.
Обучение без учителя
При обучении без учителя используются базы данных, которые в основном или полностью неструктурированы. Это обычное дело в ситуациях, когда данные собираются таким образом, что люди не могут легко их организовать или структурировать. Распространенным примером неструктурированного обучения является обнаружение спама, при котором компьютеру предоставляется доступ к огромному количеству электронных писем, и он самостоятельно учится различать желаемые и нежелательные сообщения.
Обучение с подкреплением
Обучение с подкреплением - это когда люди отслеживают выходные данные компьютерной системы и помогают найти оптимальное решение методом проб и ошибок. Один из способов визуализировать обучение с подкреплением - рассматривать алгоритм как «вознаграждение» за достижение наилучшего результата, что помогает ему определять, как более точно интерпретировать свои данные.
Приложения для машинного обучения
Сфера машинного обучения сейчас очень активна и имеет множество распространенных приложений в бизнесе, академических кругах и промышленности. Вот несколько характерных примеров:
Системы рекомендаций
Механизмы рекомендаций используют машинное обучение, чтобы учиться на предыдущих решениях людей. Например, машинное обучение обычно используется в программном обеспечении, таком как сервисы потоковой передачи видео, чтобы предлагать фильмы или телешоу, которые пользователи могут захотеть посмотреть на основе предыдущих вариантов просмотра, а также рекомендации «вам также могут понравиться» на розничных сайтах.
Банки и страховые компании
Банки и страховые компании полагаются на машинное обучение для обнаружения и предотвращения мошенничества с помощью тонких сигналов о странном поведении и неожиданных транзакциях. Традиционные методы выявления подозрительной активности обычно очень жесткие и основаны на правилах, которые могут упускать из виду новые и неожиданные закономерности, а также подавлять следователей ложными срабатываниями. Алгоритмы машинного обучения могут быть обучены с использованием реальных данных о мошенничестве, что позволяет системе гораздо более точно классифицировать подозрительные случаи мошенничества.
Оптимизация инвентаря
Оптимизация товарных запасов - часть рабочего процесса розничной торговли - все чаще выполняется системами, обученными с помощью машинного обучения. Системы машинного обучения могут анализировать огромные объемы данных о продажах и инвентаризации, чтобы найти закономерности, недоступные специалистам по планированию запасов. Эти компьютерные системы могут делать более точные вероятностные прогнозы потребительского спроса.
Автоматизация машин
Машинная автоматизация все больше полагается на машинное обучение. Например, технология самоуправляемых автомобилей во многом обязана алгоритмам машинного обучения за способность обнаруживать объекты на дороге, классифицировать эти объекты и делать точные прогнозы относительно их потенциального движения и поведения.
