Share

Что такое машинное обучение?

Ресурс TechTarget определяет машинное обучение как «... тип искусственного интеллекта (ИИ), который предоставляет компьютерам возможность учиться без явного их программирования. В машинном обучении упор сделан на разработку компьютерных программ, которые под воздействием новых данных могут научиться расти и изменяться. Процесс машинного обучения аналогичен процессу интеллектуального анализа данных. В обеих системах идет поиск данных для выявления закономерностей. Однако вместо извлечения данных для их восприятия человеком, как это имеет место в приложениях интеллектуального анализа данных, в машинном обучении эти данные используются для улучшения собственного понимания программой. Программы машинного обучения обнаруживают закономерности в данных и соответствующим образом корректируют действия программы».

В компании Teradata машинное обучение считается особенно мощным в контексте больших данных, потому что машины, именно используя большие объемы данных, могут проверять гипотезы, уточнять правила бизнеса по мере изменения условий и быстро и точно выявлять аномалии и посторонние значения.

Программная система на основе машинного обучения "тренируется" на больших объемах данных и учится действовать на основе опыта, что делает машинное обучение превосходным средством решения проблем.

Для чего используется машинное обучение?

Распознавание изображений: Одно из наиболее важных приложений машинного обучения - распознавание изображений - это способ идентификации и обнаружения особенностей или объектов в цифровом изображении. Этот же метод может быть использован для ряда дополнительных задач, включая распознавание образов, выявление лиц, распознавание лиц и оптическое распознавание символов. Использование машинного обучения в распознавании изображений включает в себя извлечение из изображения ключевых характеристик и их перенос в надежную модель машинного обучения.

Извлечение данных: Процесс извлечения познаний или структурированных данных из неструктурированных данных, известный как извлечение данных, является еще одним важным направлением использования машинного обучения из-за огромных объемов данных, производимых на многих используемых устройствах. В контексте больших данных, машинное обучение имеет решающее значение для получения неструктурированных данных и извлечения содержащейся в ней информации.

Анализ настроений: Процесс анализа настроения, иногда называемый анализом мнений или классификацией настроений/тональности, определяет отношение людей на основе эмоциональных подсказок, содержащихся в их текстах. Цель анализа настроений — определить, что и как думают люди, хорошо, плохо или безразлично. Обзоры веб-сайтов и приложения для принятия решений также выигрывают от анализа настроений. Машинное обучение состоит из контролируемых и неконтролируемых алгоритмов обучения, причем для анализа настроений используются оба вида.

Выявление мошенничества: Выявление мошенничества, в частности, мошенничества в Интернете, является более продвинутым приложением машинного обучения, которое эффективно обеспечивает кибербезопасность пользователей и даже предоставляет предприятиям возможность сократить убытки и увеличить прибыль. Использование машинного обучения для обнаружения мошенничества значительно превосходит традиционные методы его выявления.

Рекомендации для клиентов по покупкам: Ваши любимые сайты онлайн-покупок могут выдавать вам такие привлекательные предложения — будь то продукты, услуги или специальные оферты — благодаря машинному обучению. Методы машинного обучения, такие как контролируемый, полуконтролируемый, неконтролируемый, "с подкреплением", являются неотъемлемой частью систем, основанных на рекомендациях.

Существуют ли различные типы машинного обучения?

Существуют несколько вариантов того, как определить типы алгоритмов машинного обучения, но обычно их можно разделить на категории в соответствии с их назначением. Основными категориями являются:

Контролируемое обучение: Модель обучается на помеченном наборе данных с входными и выходными параметрами. Помечаются как обучающие, так и контрольные наборы данных.

Полуконтролируемое обучение: Здесь для обучения используются непомеченные данные — обычно это небольшой объем помеченных данных с большим количеством непомеченных данных.

Неконтролируемое обучение: Также известное как "самоорганизация", неконтролируемое обучение используется для поиска ранее неизвестных закономерностей в наборе данных без уже существующих меток и позволяет моделировать плотности вероятности заданных входных данных.

Обучение "с подкреплением": В нем рассматривается, как программные агенты должны предпринимать действия в среде, чтобы максимизировать некое кумулятивное вознаграждение. В отличие от контролируемого обучения, помеченные пары ввода-вывода здесь не требуются, а неоптимальные действия не требуют явной коррекции. Основное внимание уделяется установлению баланса между изучением и эксплуатацией.

В чем разница между машинным обучением и глубоким обучением?

Несколько основных различий между машинным обучением и глубоким обучением:

Как они работают

Машинное обучение использует автоматизированные алгоритмы, которые учатся прогнозировать будущие решения и функции моделирования с использованием подаваемых данных.

Глубокое обучение интерпретирует особенности и отношения данных с помощью нейронных сетей, которые передают соответствующую информацию через несколько этапов обработки данных.

Менеджмент, Руководство

В машинном обучении аналитики направляют алгоритмы на изучение различных переменных набора данных.

При глубоком обучении алгоритмы, как правило, самостоятельно направляются для анализа соответствующих данных.

Объем точек данных

Машинное обучение использует несколько тысяч точек данных для анализа.
Глубокое обучение использует несколько миллионов данных для анализа.

Выходные данные

Выходные данные машинного обучения обычно числовые, такие как оценка или классификация.

Выходные данные глубокого обучения могут вариьроваться от цифрового показателя, элемента, текста, до звука или другого идентификатора.

В чем разница между машинным обучением и искусственным интеллектом?

Что они собой представляют?

Машинное обучение (MО) — это приобретение знаний или навыков.

Искусственный интеллект (ИИ) — это способность приобретать и применять знания.

Какова цель каждого из них?

ИИ ориентирован на успех, а не на точность.

MО ориентировано на точность, а не на успех.

Как они работают?

ИИ работает как «умная» компьютерная программа.

MО — это простая машина, которая поглощает данные и учится на них.

Цель каждого из них

ИИ работает над решением сложных проблем, имитируя естественный интеллект.

MО ориентировано на задачу, работая над увеличением производительности машины по назначенной задаче.

Что они делают?

ИИ принимает решения на основе данных.

MО — это система, которая учится на полученных данных.

Что они создают?

ИИ разрабатывает систему, которая имитирует человеческие реакции и поведение в определенных обстоятельствах.

MО производит самообучаемые алгоритмы.

Конечный продукт каждого из них

ИИ производит интеллектуальные результаты (бизнес, потребитель, рынок и т.д.).

MО производит знания, которые могут быть в дальнейшем изучены.