Машинное обучение: нетехническая точка зрения

Эта статья призвана помочь читателям понять, что такое машинное обучение с нетехнической точки зрения. Мы сразу же объясним машинное обучение с помощью аналогии и рассмотрим разницу между алгоритмами машинного обучения в зависимости от их задач. Мы также попытаемся понять влияние применения машинного обучения в различных областях.

Вы когда-нибудь задумывались в детстве, играя в такие игры, как FIFA, Counter-Strike, на игровой платформе против компьютера / ботов, откуда компьютер знает, как играть в эту игру? Кто этому научил?

Вы когда-нибудь хотели знать, как функция подсказки слов работает на клавиатурах Android и iPhone? Как такие приложения, как Netflix, Spotify, могут порекомендовать вам фильмы и песни, которые могут вам понравиться? Или почему функция автоматической метки лица в Facebook так точна при добавлении людей на фотографиях в их профили?

Все это стало возможным благодаря применению машинного обучения в различных областях. Для тех, кто еще не понимает, что такое машинное обучение.

Машинное обучение - это способность системы учиться и совершенствоваться на основе опыта без явного программирования.

Машинное обучение также более широко известно как ИИ и представляет собой подмножество технологий, составляющих «искусственный интеллект».

Машинное обучение - это способ обучения компьютера решению проблем, связанных с предметной областью, путем передачи ему набора данных, относящихся к предметной области (совокупность связанных данных, состоящих из функций и переменной ответа, также известной как переменная результата), а затем тестирую это.

Чтобы понять машинное обучение проще, представим, что мы учим ученика читать и писать на английском языке, а затем мы проверяем его полученные знания с помощью экзамена, чтобы увидеть, научилась ли она читать предложения и писать. владеет английским и насколько хорошо она читает и пишет.

Думая о модели машинного обучения как об этом ученике, мы сначала обучаем его понимать заданные данные и выяснять взаимосвязь между заданными функциями в данных и переменной ответа. Затем мы тестируем его, исследуя на основе данных тестирования, чтобы оценить балл этой модели. Оценка модели показывает, насколько хорошо обученная модель предсказывает переменную отклика при наличии некоторой функции (-ов).

Две ключевые задачи машинного обучения

Теперь, когда у нас есть базовое представление о том, что такое машинное обучение, давайте рассмотрим основные задачи, в которых может быть использовано машинное обучение: - Классификация, регрессия.

Классификация. Классификация - это процесс классификации чего-либо, это процесс, когда модели предоставляется набор данных, предположительно изображения животных, а затем после обучения модель может определить, является ли данное изображение изображением собака или кошка.

Регрессия. Регрессия предназначена для прогнозирования реальных числовых значений на основе некоторой связи между заданными характеристиками и переменной ответа. Пример: - Мы можем использовать модель машинного обучения для оценки стоимости дома на основе некоторых характеристик, таких как количество комнат, квадратные метры, расположение дома и т. Д.

Влияние применения машинного обучения на различные области

Игровая индустрия: - Машинное обучение оказывает огромное влияние на способы разработки игр в различных отраслях. В поисках более реалистичных миров, увлекательных задач и уникального контента индустрии разработки видеоигр все чаще обращаются к машинному обучению как к полезному оружию в разработке игр. Алгоритмы машинного обучения при использовании в играх могут динамически реагировать на действия игрока. В отличие от традиционной заранее написанной игры, в которой все действия неигровых персонажей (NPC) записаны в сценарии, видеоигра с движком машинного обучения может реагировать и изменять поведение виртуального мира, неигровых персонажей (NPC) или объектов. в реальном времени на основе действий и решений игрока. Позволяет играм, разработанным с помощью машинного обучения, более динамично реагировать на игрока и реагировать на него менее изобретательно. Таким образом, игроки-боты в таких играх, как Counter-Strike, FIFA, являются результатом применения машинного обучения в этих играх, чтобы научить NPC соответствующим образом реагировать на действия игрока.

Социальные сети: - гиганты социальных сетей, такие как Facebook, Instagram и WhatsApp, имеют множество моделей машинного обучения для автоматизации различных задач или включения новых функций на свои веб-сайты. Пример:-

  • Facebook использует приложение Deep Learning под названием DeepFace, чтобы научить его распознавать людей на фотографиях. В нем говорится, что его самый продвинутый инструмент распознавания изображений более успешен, чем люди, в распознавании того, принадлежат ли два разных изображения одного и того же человека, - DeepFace набрал 97% успеха по сравнению с людьми - 96%.
  • WhatsApp использует систему машинного обучения, разработанную для решения проблемы распространения фейковых новостей. Компания использует эту систему машинного обучения для обнаружения пользователей с оскорбительным поведением, а также тех, кто отправляет массовые сообщения и создает несколько учетных записей с единственной целью - распространять ложный и оскорбительный контент и блокировать эти учетные записи.
  • Instagram использует машинное обучение для борьбы со спамом. Спам-фильтр может удалять поддельные сообщения из учетных записей, написанных на девяти языках, включая английский, китайский, русский, арабский и другие. Как только сообщения обнаруживаются, они автоматически удаляются. Instagram использует алгоритм текстовой аналитики искусственного интеллекта Facebook DeepText, который может понимать контекст сообщения почти так же хорошо, как люди. Instagram также начал использовать машинное обучение, чтобы прекратить издевательства: с помощью DeepText и пометки пользователями сообщений как оскорбительных, Instagram может автоматически удалять сообщения, которые DeepText считает оскорбительными и издевательскими по своей природе.

Развлечения и розничная торговля: - такие приложения, как Netflix, Amazon Prime Video, Spotify, используют рекомендательные системы, чтобы предлагать вам контент, связанный с вашей историей и предпочтениями языка, жанра. Розничные приложения, такие как Amazon, Flipkart, используют рекомендательные системы, чтобы предлагать вам новые продукты на основе вашей истории просмотров, результатов поиска продуктов и т. Д.

Правительственные службы:, такие как полиция, используют системы распознавания изображений для отслеживания движения транспорта в городах и вокруг них и для автоматического наказания нарушителей правил. Системы распознавания изображений также могут использоваться для автоматического определения необходимости проведения ремонтных работ на дорогах, мостах и ​​т. Д.

Финансовые услуги: - Банковские секторы и правительство используют машинное обучение, чтобы извлекать ценную информацию из данных клиентов, предотвращать мошенничество и уклонение от уплаты налогов. Внедрение машинного обучения в сфере финансовых услуг значительно улучшило этот сектор и помогло сократить уклонение от уплаты налогов и мошенничество, позволив банку предсказать, сможет ли конкретное лицо вернуть свой кредит на основе истории этого. человек.

Транспортный сектор: - Отрасли, занимающиеся доставкой грузов и переправкой пассажиров к месту назначения, используют алгоритмы машинного обучения для расчета оптимального маршрута поездки с учетом таких условий, как пробка. , время, необходимое для достижения пункта назначения. Это помогает им предотвратить потери и потери топлива из-за неправильного выбора маршрута.

Заключение

Машинное обучение (ML) - это область вычислительной науки, которая фокусируется на анализе и интерпретации закономерностей в данных, чтобы обеспечить обучение, рассуждение и принятие решений. Проще говоря, машинное обучение позволяет пользователю загружать в компьютерный алгоритм огромное количество данных и заставлять компьютер анализировать и принимать решения, основанные на данных, на основе только входных данных. Если будут обнаружены какие-либо исправления, алгоритм может включить эту информацию, чтобы улучшить свое будущее принятие решений.

С увеличением количества доступных данных за счет интеллектуального анализа данных и дешевой вычислительной мощности. Машинное обучение стало важным, потому что данные - это жизненный путь для любого бизнеса. Решения, основанные на данных, все больше и больше определяют разницу между тем, чтобы идти в ногу с конкурентами или еще больше отставать.

Ссылки