Садржај
- Шта је машинско учење?
- Шта је традиционално програмирање?
- Како се машинско учење разликује
- Важност машинског учења
- Алгоритми и процеси машинског учења
- Утицај машинског учења на посао
- Неки случајеви практичне употребе
- Закључак
Извор: Стоцкернумбер2 / Дреамстиме.цом
Одузети:
Машинско учење у сталном је порасту. Ево основа које ће вам помоћи да схватите шта ради и како се користи.
Последњих година израз „машинско учење“ се појављује на разним дискусијама и форумима, али шта тачно значи? Машинско учење може се дефинисати као метода за анализу података, заснована на препознавању узорака и рачунарском учењу. Састоји се од различитих алгоритама као што су неуронске мреже, стабла одлука, Баиесове мреже итд. Машинско учење користи ове алгоритме за учење из података и враћање скривених увида из података. Процес учења је итераван, па се са новим подацима такође поступа без надзора. Наука да учимо из претходних података и да је користимо за будуће податке није нова, али добија све већу популарност.
Шта је машинско учење?
Иако неки људи верују да машинско учење није боље од традиционалних метода рачунарског програмирања које се и даље користе, многи сматрају да је машинско учење револуција у области вештачке интелигенције (АИ). Они верују да ће помоћу ове технологије машине моћи да науче ствари и раде ствари сопственим искуством, уместо да једноставно следе људским упутствима.
Да бисмо разумели више о значењу машинског учења, можемо га упоредити са традиционалним рачунарским програмирањем. У наредним одељцима биће речи о машинском учењу и његовој разлици од традиционалног програмирања. (За неке од предности и недостатака машинског учења, погледајте Обећања и замке машинског учења.)
Шта је традиционално програмирање?
Када програмирамо рачунар, оно што ми заправо радимо је давање упутстава на језику који разуме. Затим, када му дамо улаз, даје излаз на основу упутстава која смо му дали.
Замислимо сада да сте дали улаз да бисте се пријавили за кредитну картицу. Док обрађује ваш унос, систем ће прегледати све важне делове ваше апликације, узети потребне информације и обрадити их. Након тога произвести ће резултат прихватања или одбацивања на основу програма који му је достављен.
Како се машинско учење разликује
Ако у сценарију с кредитном картицом користите машинско учење уместо традиционалних метода програмирања, резултат би био нешто другачији. Резултат би се заправо темељио на улазним подацима и систем ће стећи искуство обрадом тих улазних података. Неће бити посебног програма за то. Како добија све више и више искуства, то ће се с временом побољшавати.
Дакле, машинско учење се заправо учи анализом велике количине датотека са подацима који се праве при сваком коришћењу система. Док анализира податке, мења своје програмирање у складу са новијим захтевима. То доводи и до побољшања његове тачности. Такође можемо рећи да је машинско учење попут линеарне регресије, где се променљиве и параметри мењају тако да се боље подударају са датим улазом.
У овој методи, алгоритми су укључени у примере са обележењима, где обележени подаци значе да се подацима даје опис. Систем машинског учења примаће и улазе и одговарајуће излазе. Сада систем може стећи више искуства упоређујући стварне излазе са исправним излазима да би пронашао грешке.
Након анализе излаза и утврђивања грешака, систем ће променити своје програмирање у складу са тим. Систем може користити различите методе за предвиђање етикете на необележеним подацима. Ова метода се користи за предвиђање будућих догађаја на основу података из прошлости.
Ова метода машинског учења користи се на местима као што су игре, навигација у возилу и роботика. У овом методу систем учи методом покушаја и грешке. Главни циљ ове методе је одредити излаз у најмање времена, што се може постићи следећим правилима.
Важност машинског учења
Важност машинског учења расте из дана у дан због истих разлога због којих је концепт вађења података толико важан. Ти разлози укључују јефтину и снажну рачунску снагу, велике количине података који се стварају сваки дан и јефтине методе великог капацитета за складиштење података. Ови фактори обезбеђују да се веома брзо могу направити моћни и тачни модели, који се могу користити у анализи великих количина података како би се добили бољи и прецизнији резултати. То значи да се бољи модели могу користити за доношење бољих корпоративних и пословних одлука у краћем времену и без икаквог људског напора.
Један од начина да се овако тачни модели брзо направе је аутоматизовано прављење модела. Овај модел треба да буде довољно динамичан да иде у корак са променама времена. Док људи генерално могу створити два модела недељно, машинско учење може да створи хиљаде тачних модела брзом анализом података. Због тога је машинско учење тако важно за предузећа и друге области.
Алгоритми и процеси машинског учења
Алгоритми машинског учења помажу у максималном искориштавању великих података, помажући систему да брзо анализира податке и створи тачне резултате. Ови алгоритми помажу у креирању модела који се може користити за доношење пословних одлука. Неки типови алгоритама су неуронске мреже, случајне шуме, к-значи кластерирање, самоорганизоване мапе и мапирање најближег суседа.
Међутим, коришћење алгоритама није све. Најбољи модел може се направити само следећи одговарајући поступак. Неки примери таквих процеса су свеобухватно управљање подацима, интерактивно истраживање података и визуализација резултата пронађених од стране модела.
Утицај машинског учења на посао
Утицај машинског учења на пословање је огроман. Машинско учење отворило је нове могућности за предузећа. То је помогло у прецизном доношењу модела, што је заузврат помогло у бржем доношењу бољих и паметнијих одлука.
Неки случајеви практичне употребе
Машинско учење се користи на многим местима. Системи препорука користе машинско учење за давање препорука корисницима у реалном времену на основу њихових преференција и тренутних тржишних образаца.
Промедас, који је медицински софтвер или „лекар на радној површини“, је програм заснован на машинском учењу који користи стотине година медицинског знања како би помогао лекарима у откривању и дијагностицирању болести. Користи податке прикупљене из претходних записа обрасца болести да би идентификовао болест код пацијената. Ово помаже у бржем препознавању и лечењу болести.
Амазон је аутоматизовао приступ запосленима давањем и опозиву путем рачунарског алгоритма који може предвидјети приступ ресурсима за сваког запосленог. За то компјутерски алгоритам користи евиденцију да анализира ризике и колико запослени уопште имају поверења.
Алгоритми машинског учења такође користе Универзитет Цорнелл за откривање китова у океану путем звучних снимака тако да бродови могу да избегну китове. Алгоритам анализира податке о миграцији китова (куда иду и када) како би одредио пут који брод треба да прође како би се избегли китови. (Да бисте сазнали више о практичној употреби машинског учења, погледајте одељак Машинско учење и Хадооп у детекцији превара нове генерације.)
Закључак
Како подаци из дана у дан расту, расте и значај ефикасне обраде. За то су осмишљене методе машинског учења, које помажу систему у доношењу паметних одлука, са минималним учешћем људи. Садашњи утицај ове технологије на ИТ сектор био је огроман, па је лако замислити да ће њен значај тек убудуће расти.