Paul Downey | flickr
Strojové učenie je fráza, o ktorej sa stále viac bandážuje, ale mnohí stále presne nevedia, o čo ide. Je to samozrejme dôvod. Je to stále vo svojich raných štádiách a mnohí predpokladajú, že to ešte nie je nič, čo by ovplyvnilo všeobecnú populáciu. V skutočnosti to asi nie je také pravdivé, ako niektorí predpokladajú.
Čo je to strojové učenie? A čo sa dnes používa? Tu je náš návod na všetko, čo potrebujete vedieť o strojovom učení.
Čo je to strojové učenie?
Strojové učenie, jednoducho povedané, je forma umelej inteligencie, ktorá umožňuje počítačom učiť sa bez ďalšieho programovania. Inými slovami, softvér je schopný naučiť sa nové veci sám, bez toho, aby ho programátor alebo inžinier musel niečo „učiť“. Strojové učenie je schopné odobrať dáta a zistiť vzorce a nájsť riešenia, potom tieto riešenia aplikovať na ďalšie problémy.
Obrázok: K? Rlis Dambr? Ns | flickr
Je dôležité si uvedomiť, že strojové učenie ako koncept nie je vôbec nový - je ťažké vysledovať presný pôvod konceptu vzhľadom na to, že sa spája do a z iných foriem technológie. Dalo by sa tvrdiť, že strojové učenie sa datuje od vzniku Turingovho testu, ktorý sa používal na určenie, či má počítač inteligenciu. Prvý počítačový program, ktorý sa však učil, bola hra dáma, ktorú vyvinul v roku 1952 Arthur Samuel. Táto hra sa zlepšila, čím viac hrala.
Najnovšia technológia však drasticky zlepšuje strojové učenie. Napríklad strojové učenie si vyžaduje obrovské množstvo výpočtového výkonu, a to natoľko, že sme len mohli začať rozvíjať základné strojové učenie v nedávnej histórii.
Existuje niekoľko hlavných spôsobov, ako programátori implementujú strojové učenie. Prvý sa nazýva „učenie pod dohľadom“. V zásade to znamená, že stroj má problémy s kŕmením, keď je známe jeho riešenie. Algoritmus učenia je schopný prijímať tieto problémy spolu s požadovanými výstupmi, identifikovať vzorce problémov a podľa toho konať. Dozorované učenie sa často používa na predpovedanie budúcich udalostí - napríklad keď môže byť transakcia kreditnou kartou podvodná.
Druhá implementácia strojového učenia sa nazýva „učenie bez dozoru“. V tomto prípade nie je výsledok problému daný softvéru - namiesto toho je to problém s kŕmením a musí sa zistiť údaje v údajoch. Cieľom je nájsť štruktúru údajov, ktoré sú uvedené.
Tretie miesto je „učenie pod dohľadom“. Tento spôsob strojového učenia sa často používa na rovnaké účely ako učenie pod dohľadom, ale vyžaduje údaje s riešením a údaje bez. Vzdelávanie pod dohľadom sa často realizuje, keď sú finančné prostriedky obmedzené a spoločnosti nie sú schopné poskytnúť úplné súbory údajov pre vzdelávací proces.
V neposlednom rade je to „učenie o posilňovaní“, ktoré sa používa špeciálne na veci ako hry a roboty. Výučba posilnenia sa v zásade učí prostredníctvom pokusov a omylov - stroj sa pokúša o veci a učí sa na základe svojich úspechov alebo zlyhaní. Cieľom je, aby stroj zistil najlepšie možné výsledky.
Samozrejme, všetky tieto metódy strojového učenia zahŕňajú kŕmenie stroja stovkami tisíc problémov a obrovské množstvo údajov. Naozaj, čím viac údajov, tým lepšie.
Kde sa dnes strojové učenie používa?
Fotografie peňazí flickr
V súčasnosti existuje veľa miest, kde sa strojové učenie používa dnes. Mnohé z nich sú v zákulisí, ale možno vás prekvapí, že veľa z nich je tiež niečo, čo používate každý deň.
Možno ten, ktorý používate najčastejšie, je vo vašom osobnom asistentovi - je to tak, páči Siri a Asistent Google používajú strojové učenie, aby lepšie porozumeli rečovým vzorcom. S toľkými miliónmi ľudí, ktorí používajú Siri, je systém schopný vážne pokročiť v tom, ako zaobchádza s jazykmi, prízvukmi atď.
Samozrejme, Siri nie je jedinou spotrebiteľskou aplikáciou strojového učenia. Ďalšie využitie je v bankovníctve, napríklad pri odhaľovaní podvodov. Algoritmy strojového učenia môžu napríklad sledovať vzorce výdavkov a určujú, ktoré vzory budú s väčšou pravdepodobnosťou podvodné na základe minulých podvodných aktivít.
V skutočnosti môže dokonca váš e-mail používať strojové učenie. Napríklad spamové e-maily sú problémom a časom sa vyvíjali. E-mailové systémy používajú strojové učenie na sledovanie vzorov spamových e-mailov a zmeny spamových e-mailov. Na základe týchto zmien ich potom vkladá do priečinka so spamom.
závery
Strojové učenie je nastavené ako veľká časť toho, ako používame technológie v budúcnosti a ako nám technológia môže pomôcť. Od Siri po US Bank je strojové učenie stále všadeprítomné a je pravdepodobné, že bude pokračovať.
