Машинное обучение может быть пугающей темой, особенно если вы новичок в этом. Так что, если вы новичок в машинном обучении, эта статья для вас. Если у вас мало знаний о машинном обучении или нет, эта статья поможет вам погрузиться в машинное обучение и узнать немного больше об увлекательном мире машинного обучения. Давайте начнем.
Что такое машинное обучение?
Машинное обучение - это подмножество искусственного интеллекта (ИИ), и речь идет о написании программных кодов, позволяющих компьютерам (или машинам в целом) самостоятельно выполнять свои задачи без вмешательства человека.
Некоторые люди утверждают, что машинное обучение - это модный способ сказать « статистический анализ », который представляет собой науку о сборе данных и выявлении закономерностей и тенденций.
В любом случае, подумайте обо всех данных, которые генерируются ежедневно, и о том, как люди пытаются осмыслить их, чтобы улучшить свою жизнь. Это машинное обучение.
Например, если кто-то украл вашу кредитную карту и совершил онлайн-транзакцию. Вероятно, вы получите электронное письмо или текст из вашего банка с просьбой подтвердить эту транзакцию, в противном случае банк сочтет это мошенничеством. Алгоритм вашего банка (автомат) узнал о покупательских привычках вашей кредитной карты через историю покупок, и когда была обнаружена нестандартная транзакция, банк подозревал, что это мошенничество. Это форма машинного обучения и, вероятно, классификация дерева решений .
Другой пример - автомобильная компания, пытающаяся прогнозировать продажи на следующий год на основе чисел этого года и исторических данных, это форма машинного обучения и может быть линейной регрессией.
Кроме того, исходя из вашей кредитоспособности, иногда банк отправляет предложение подать заявку на кредит под низкопроцентную ставку или кредитную карту, но не отправляет такое же предложение вашему другу, который не имеет такого хорошего кредита. Это форма машинного обучения, которая может быть кластерной .
Наконец, автомобили с автоматическим управлением, с автопилотом, бродящим по городу на дорогах, которых он никогда не видел, - это разновидность машинного обучения, называемая усиленным обучением .
В нашей повседневной жизни есть еще много примеров машинного обучения, но мы обычно этого не замечаем.
Если машинное обучение является подмножеством ИИ, что такое ИИ?
Искусственный интеллект - это наука о том, как заставить компьютеры вести себя как люди с точки зрения принятия решений, обработки текста, перевода и т. Д. ИИ - это большой зонт, в котором есть машинное обучение и глубокое обучение. Каждый алгоритм машинного обучения считается ИИ, но не каждый алгоритм ИИ считается машинным обучением.
Например, Google переводчик основан на искусственном интеллекте, называемом обработкой естественного языка (NTP). Amazon Alexa базируется на нескольких службах искусственного интеллекта, которые сначала понимают вас, применяют анализ настроений и выясняют, что вы сказали, ищите ответ и возвращайтесь с аудио-ответом.
Распознавание лиц на вашем смартфоне также является искусственным интеллектом с использованием нейронной сети Convolution (CNN) .
Глубокое обучение - это подмножество машинного обучения, которое пытается имитировать человеческий мозг с точки зрения использования нейронов и слоев для обучения. При машинном обучении вы должны указать своему алгоритму, какие функции изучать, но в режиме глубокого обучения эти функции будут автоматически извлечены алгоритмом.
Какие бывают виды машинного обучения?
Машинное обучение можно разделить на 3 категории.
- Контролируемое обучение Вы даете алгоритму помеченные данные, и алгоритм должен извлечь из него урок и выяснить, как решить будущие подобные проблемы. Думайте об этом, как будто вы даете алгоритму проблемы и ответы, алгоритм должен узнать, как эти проблемы были решены, чтобы решить будущие проблемы подобным образом. Это похоже на приведенный выше пример, когда банк узнает из ваших привычек, какие транзакции по кредитным картам являются законными, а какие - мошенническими.
- Обучение без учителя Вы ставите перед алгоритмом проблему без каких-либо помеченных данных или каких-либо предварительных знаний о том, каким может быть ответ. Думайте об этом, как будто вы даете алгоритму проблемы без каких-либо ответов, алгоритм должен найти лучший ответ, основываясь на данных. Это похоже на кластеризацию, которую банк сделал своим клиентам в соответствии с различными параметрами и решил, что некоторые из них имеют право на предложение по кредитной карте, другие - на предложение по кредитной линии, а другие не имеют права на что-либо. Обычно это делается с помощью метода машинного обучения, который называется K-Means .
- Обучение усилению Это когда алгоритм учится на собственном опыте, используя вознаграждение и наказание. Самый простой пример - автомобили с автоматическим управлением.
Почему вдруг машинное обучение стало горячей темой?
Машинное обучение здесь с 50-х годов или, может быть, раньше. Более поздний акцент на машинном обучении связан с ростом вычислительной мощности компьютеров и падением цен на чипсеты. Подумайте о смартфоне в вашем кармане и всей вычислительной мощности, которого не было в 90-х или в начале 2000 года.
Все эти новые мощные и доступные по цене чипсеты процессоров и графических процессоров сделали машинное обучение экономичным и легкодоступным для всех. Благодаря дешевым чипсетам, широкому распространению интернета и открытым источникам каждый может использовать возможности машинного обучения для решения повседневных задач.
Как крупные компании используют машинное обучение и ИИ, чтобы лучше обслуживать своих клиентов?
Лучшим примером является Коллаборативная фильтрация, используемая почти всеми крупными компаниями, которая в основном звучит так: «Так как клиент купил это, он будет заинтересован в этом?».
Подумайте о Netflix и о том, как они рекомендуют шоу для вас, чтобы посмотреть или Amazon, и как они рекомендуют продукты для вас, чтобы купить, как правило, они делают это правильно. Эта рекомендация - совместная фильтрация, и есть много алгоритмов, обеспечивающих ее, Алгоритм Apriori - один из известных.
Является ли машинное обучение достаточно сложным, чтобы его могли использовать отдельные лица и малые предприятия, и правда ли, что от него выигрывают только крупные компании?
Это далеко от истины, на самом деле, все крупные технологические компании пытаются демократизировать машинное обучение и сделать его доступным для всех, независимо от того, имеют они знания в области программирования или нет.
Например, Amazon AWS предлагает AWS Transcribe, который может преобразовывать речь в текст, AWS Comprehend, который выполняет анализ настроений, AWS Rekognition, который распознает объекты и лица, AWS Polly, которая может что-то вам зачитать. Все эти услуги требуют всего лишь нескольких щелчков мышью и не требуют никаких знаний в области программирования. Вы можете начать работу с этими службами в течение нескольких минут, в дополнение к этому большинство поставщиков облачных услуг предлагают бесплатный уровень, который вы можете использовать.
Недавно AWS выпустила прогноз AWS, где малый бизнес может использовать его для получения прогнозов продаж и получения других данных о продажах своего бизнеса. Что интересно в AWS Forecast, это тот же самый алгоритм, который используется на веб-сайте Amazon.com. Подумайте секунду и представьте всю мощь алгоритма, используемого на Amazon.com для рекомендации продуктов и прогнозирования продаж для миллионов клиентов и того, как они передают его малым предприятиям и частным лицам. Дело в том, что AI & ML легко доступны каждому.
Google Cloud и Microsoft Azure предлагают очень похожие сервисы, они буквально делают ИИ доступным для всех. Навыки программирования не нужны, вам не нужно знать, что происходит под капотом, просто используйте это и наслаждайтесь этим.
Каковы доступные инструменты для построения моделей машинного обучения?
Машинное обучение - это создание алгоритмов, поэтому вы можете делать это на любом удобном для вас языке программирования. Два наиболее распространенных языков машинного обучения являются Python и R . На этих двух языках есть много библиотек машинного обучения, очень известная из них - Scikit-learn .
Но опять же, вы можете использовать облачные инструменты AI или, если у вас есть немного знаний в области программирования, вы можете скачать готовые модели вместе с инструкциями из открытых источников, таких как GitHub.
Как оценить производительность модели машинного обучения?
Это большая тема, в зависимости от типа машинного обучения. Например, в алгоритмах регрессии и классификации контролируемого обучения мы используем Матрицу смешения . Эта Матрица путаницы вместе с такими параметрами, как Recall и Precision, может рассказать нам, как модель выполняется путем сравнения фактических значений с прогнозируемыми значениями.
Что такое ошибка типа 1 и ошибка типа 2?
Ошибка типа 1 - это когда ваш алгоритм делает положительный прогноз, но он отрицательный. Например, ваш алгоритм предсказал, что у пациента рак, но на самом деле он этого не делает. Это ошибка типа 1.
Ошибка типа 2 - это когда ваш алгоритм делает отрицательный прогноз, но он положительный. Например, ваш алгоритм предсказал, что у пациента нет рака, но на самом деле он есть. Это ошибка типа 2.
Как я начинаю, с чего начать машинное обучение?
Ответ зависит от того, что вы хотите сделать с машинным обучением.
Если вы хотите стать специалистом по данным и разрабатывать модели машинного обучения, вы можете начать с некоторых онлайн-классов. Такие сайты, как Udemy, Udacity и Coursera, предлагают множество недорогих курсов машинного обучения для всех уровней - от начинающих до экспертов. Тогда вы сможете применить свои знания на некоторых соревнованиях по машинному обучению в Kaggle.
Если ваша цель - понять машинное обучение в целом и его влияние на ваш бизнес при получении сертификата от авторитетного университета, то проверьте онлайн-программы сертификации в таких университетах, как Стэнфорд, Колумбия, Уортон, Калифорнийский университет в Беркли и т. Д. Почти каждый крупный университет предлагает программы онлайн-сертификации для руководителей, предназначенные для руководителей на руководящих и высших руководящих должностях.
Сначала нужно решить, что вы хотите узнать о машинном обучении, а затем идти по этому пути. Тонны обучения доступны в Интернете, что может помочь каждому выбрать предпочтительный путь машинного обучения.
Машинное обучение забирает мою работу?
Это большая дискуссия, короткий ответ - машинное обучение меняет жизнь и будет продолжать менять жизнь к лучшему. Большой прогресс происходит в области машинного обучения благодаря сотрудничеству с открытым исходным кодом и снижению цен на мощные чипсеты. Эти улучшения будут улучшаться с каждым днем.
С каждым скачком технологий жизнь и работа людей менялась. Классический пример банкоматов, когда они стали популярными, многие боялись, что все кассиры потеряют свою работу. Однако произошло то, что кассиры перешли на более высокооплачиваемые рабочие места, поэтому вместо того, чтобы сдавать вам наличные деньги без кассы, они стали консультантами по ипотечным и инвестиционным вопросам наряду с другими работами в банке. Это принесло пользу как конечному клиенту с точки зрения более доступного персонализированного обслуживания, быстрого снятия наличных, так и сотрудников с точки зрения более высоких зарплат и комиссий.
Таким образом, работа некоторых людей изменится из-за машинного обучения, но если история - какой-то индикатор, это изменение будет к лучшему для всех. ИИ и машинное обучение уже делают нашу жизнь лучше, просто взгляните на свой смартфон и подумайте, сколько вы можете с ним сделать, или, возможно, подумайте, как мало вы можете сделать без него. Большинство сервисов в вашем смартфоне работают на AI.
Наконец, я надеюсь, что эта статья дала вам лучшее понимание машинного обучения и искусственного интеллекта, а также вы взволнованы, чтобы узнать о них больше. Машинное обучение, искусственный интеллект и глубокое обучение - важные, но сложные области, я уверяю вас, они изменят вашу жизнь к лучшему. Вы не пожалеете, узнав больше о них или их приложениях.