Упрощенная языковая версия машинного обучения
Введение
Машинное обучение — это область исследования, в которой используются алгоритмы для выявления закономерностей в данных и прогнозирования будущего. Его можно использовать для улучшения продуктов, прогнозирования поведения клиентов или даже для улучшения собственного здоровья. Но если вы новичок в этой области, может быть сложно понять, как работает эта технология.
Это руководство предназначено для тех, кто интересуется машинным обучением, но не знает, с чего начать. Я предполагаю, что есть много людей, которые разочаровались и бросили читать много сложных статей. В этой статье мы постараемся сделать все как можно проще.
Что такое машинное обучение
Машинное обучение — это тип искусственного интеллекта, который в широком смысле определяется как способность машины имитировать разумное поведение человека. Такие системы используются для выполнения сложных задач способом, подобным тому, как люди решают проблемы.
Машинное обучение — это область компьютерных наук, в которой используются статистические методы, позволяющие компьютерам обучаться без явного программирования. Алгоритмы, используемые в машинном обучении, частично основаны на том, как люди учатся на собственном опыте и на опыте других. Например, алгоритм может быть обучен на данных о лицах людей, а затем использоваться как часть системы рекомендаций для продуктов или услуг, таких как отели или рестораны, где клиентам могут потребоваться рекомендации на основе их личных качеств (например, любят ли они суши).
В дополнение к улучшению реальных приложений благодаря способности учиться на прошлом опыте, алгоритмы машинного обучения также находят применение в таких областях, как здравоохранение, где они могут помочь врачам генерировать гипотезы о заболеваниях на основе историй болезни пациентов и других факторов, которые могут привести к улучшению лечения. или стратегии профилактики, чем те, которые были доступны ранее; финансы, где банки используют модели поведения клиентов для прогнозирования дефолтов; и системы управления большими данными, которые помогают компаниям управлять большими объемами информации, сокращая затраты, связанные с ее обработкой вручную.
Как работает машинное обучение?
Алгоритмы машинного обучения используются для прогнозирования. Их можно обучать на наборе данных, тестировать на новом наборе данных и улучшать, добавляя дополнительные данные.
Типы машинного обучения
Существует несколько типов машинного обучения, каждый из которых имеет свои цели и области применения.
- Обучение под наблюдением: при таком типе обучения у вас есть набор примеров для обучения. Цель состоит в том, чтобы найти модель, которая может предсказывать будущие результаты на основе данных обучения. Вы можете думать об этом как о предсказании того, совершит ли кто-то убийство в будущем, основываясь, например, на прошлом поведении. Для такого предсказания требуются большие объемы размеченных данных — если вы пытаетесь предсказать, совершит ли человек убийство, вам потребуются многие тысячи или даже миллионы случаев, когда он уже совершал убийство, чтобы ваш алгоритм (модель) работать достаточно хорошо, чтобы давать точные прогнозы, не нуждаясь в дополнительной информации из внешних источников, таких как газетные отчеты или полицейские отчеты и так далее).
- Неконтролируемое обучение: в этом типе задачи машинного обучения нет заранее доступных конкретных примеров с пометкой набора, а вместо этого есть только необработанные векторы признаков, которые будут включать такие вещи, как измерения роста, наряду с другими характеристиками, такими как возраст и т. д.); эти виды потенциально могут использоваться для таких целей, как группировка объектов на изображениях, сделанных камерами, расположенными далеко друг от друга, таким образом предоставляя информацию о том, как объекты имеют тенденцию «коррелировать» друг с другом, если смотреть на них под разными углами».
что мы можем решить с помощью машинного обучения
Машинное обучение — это метод решения задач с помощью компьютеров. Его можно использовать для автоматизации задач и прогнозирования, а также для поиска закономерностей в данных. Это может помочь вам понять, чего хотят ваши клиенты, как они используют ваш продукт или услугу и многое другое!
Машинное обучение часто путают с искусственным интеллектом (ИИ). Разница между ними заключается в том, что ИИ существует с 1950-х годов, а машинное обучение началось только в 1960-х, когда компьютеры стали достаточно мощными, чтобы самостоятельно выполнять сложные задачи.
Практические применения машинного обучения
Машинное обучение — это мощный инструмент, который можно использовать для прогнозирования, выявления закономерностей в данных и автоматизации решений. Он имеет множество практических применений в таких областях, как финансы, здравоохранение и маркетинг.
Первый вариант использования, который мы рассмотрим, — это предсказание будущего. Модели машинного обучения обучаются на исторических данных для создания точного прогноза будущих событий на основе прошлых показателей (или их отсутствия). Например: когда вы покупаете продукты в Интернете на Amazon Prime Pantry или Whole Foods Market, вам не нужно ждать прибытия вашего заказа, прежде чем оформлять заказ — приложение автоматически определит, когда ваша еда будет доставлена, чтобы вы могли ее не принимать. фронт для пикапа вместо этого! Этот тип предиктивной аналитики стал настолько распространенным сейчас, что мы почти не замечаем его возможности, пока что-то не пойдет не так… как во время урагана Харви в прошлом году, когда многие магазины в Техасе не могли предложить доставку в тот же день, потому что их поставщики не могли доставить товар в распределительные центры. достаточно быстро из-за наводнения, вызванного тропическим штормом Харви».
Нейронные сети
Нейронные сети — это тип алгоритма машинного обучения, который имитирует работу нашего мозга. Нейроны мозга связаны между собой синапсами и могут генерировать сложные паттерны для решения проблем. Эти нейронные сети используются для решения сложных задач, таких как распознавание лиц на фотографиях или понимание текста на естественном языке.
Самый популярный тип нейронной сети называется сетью с прямой связью, что означает, что информация поступает от ввода (входов), через блоки обработки (скрытые слои), а затем возвращается обратно в виде вывода (выходов).
Алгоритмы машинного обучения могут повысить точность своих результатов на основе прошлых данных.
Алгоритмы машинного обучения могут повысить точность своих результатов на основе прошлых данных. Это делается с помощью алгоритма машинного обучения, чтобы делать прогнозы будущих результатов, например прогнозировать, будет ли человек болен определенным заболеванием или нет.
Алгоритмы машинного обучения используются для принятия решений и рекомендаций на основе прошлых данных, что означает, что они могут учиться на предыдущем опыте и использовать эти воспоминания при принятии будущих решений или рекомендаций.
Например: врач может захотеть лечить одного пациента лекарством X в течение 1-й недели, а другого пациента — во 2-й неделе, потому что он заметил, что у обоих пациентов были схожие симптомы (например, лихорадка). С помощью алгоритмов машинного обучения, таких как нейронные сети и случайные деревья леса, врачи могли предсказать, у каких пациентов будут лучшие результаты для здоровья, основываясь на предыдущем опыте, и, следовательно, рекомендовать разные методы лечения для каждого пациента в зависимости от того, насколько серьезными были их симптомы в разное время в течение циклов лечения».
Заключение
Алгоритмы машинного обучения могут помочь вам решить проблемы, которые трудно решить людям. Они работают, анализируя большие наборы данных и создавая модели, объясняющие, почему произошли некоторые результаты, или предсказывая будущие события на основе этих данных. Машинное обучение можно применять в самых разных областях, включая здравоохранение, финансы, инженерию и многое другое! Я надеюсь, что эта статья помогла вам понять, что такое машинное обучение и как оно работает. Если есть что-то еще, что требует разъяснений, или если есть что-то еще, что я могу сделать для вас, не стесняйтесь обращаться ко мне в любое время по электронной почте или в социальных сетях.
