Ce este Machine Learning și de ce contează
Publicat: 2018-06-12Inteligența artificială, învățarea automată și învățarea profundă sunt trei dintre cele mai populare cuvinte la modă din industrie astăzi. Și adesea, avem tendința de a folosi termenii Inteligență artificială (AI) și Învățare automată (ML) sinonimi. Cu toate acestea, acești doi termeni sunt foarte diferiți – învățarea automată este unul dintre aspectele cruciale ale domeniului mult mai larg al AI.
Nidhi Chappell, șeful ML de la Intel , o notează pe bună dreptate :
„AI este practic inteligența – modul în care facem mașinile inteligente, în timp ce învățarea automată este implementarea metodelor de calcul care o susțin. Felul în care mă gândesc la asta este: AI este știința, iar învățarea automată este algoritmii care fac mașinile mai inteligente.”
Astfel, pentru a le spune în cuvinte simple, AI este un domeniu care implică transformarea mașinilor în unități „inteligente și inteligente”, în timp ce ML este o ramură sub inteligența artificială care se ocupă cu învățarea computerului să „învețe” să îndeplinească sarcini pe cont propriu. .
Diferența dintre Data Science, Machine Learning și Big Data!
Acum, să ne aprofundăm în ceea ce este învățarea automată.
Cuprins
Ce este Machine Learning?
Potrivit SAS , „Învățarea automată este o metodă de analiză a datelor care automatizează construirea modelelor analitice. Este o ramură a inteligenței artificiale bazată pe ideea că sistemele pot învăța din date, pot identifica tipare și pot lua decizii cu o intervenție umană minimă.”
Chiar dacă termenul de învățare automată a fost sub lumina reflectoarelor doar recent, conceptul de învățare automată există de mult timp, cel mai timpuriu exemplu al acestuia fiind mașina Enigma a lui Alan Turing, pe care a dezvoltat-o în timpul celui de-al Doilea Război Mondial. Astăzi, învățarea automată este aproape peste tot în jurul nostru, chiar de la lucrurile obișnuite din viața noastră până la calculele mai complicate care implică Big Data. De exemplu, mașina Google care se conduce singur și recomandările personalizate de pe site-uri precum Netflix, Amazon și Spotify sunt toate rezultate ale învățării automate.
Cum învață mașinile?
Pentru a înțelege mai bine întrebarea „ce este învățarea automată”, trebuie să cunoaștem tehnicile prin care mașinile pot „învăța” de la sine. Există trei moduri principale prin care dispozitivele pot învăța să facă lucruri – învățare supravegheată, învățare nesupravegheată și învățare prin întărire. În timp ce aproape 70% din ML este supravegheată, doar aproximativ 10-20% din ML este învățare nesupravegheată.
Învățare supravegheată
Învățarea supravegheată se ocupă de intrări și ieșiri clar definite și conturate, iar algoritmii de aici sunt antrenați prin etichete etichetate. În învățarea supravegheată, algoritmul de învățare primește atât setul definit de intrări, cât și setul corect de ieșiri. Deci, algoritmul ar modifica apoi structura conform modelului pe care îl percepe în intrările și ieșirile primite. Acesta este un model de recunoaștere a modelelor de învățare care implică metode precum clasificarea, regresia, predicția și creșterea gradientului.
Învățarea supravegheată este de obicei aplicată în cazurile care implică date istorice. De exemplu, folosind datele istorice ale tranzacțiilor cu cardul de credit, învățarea supravegheată poate prezice posibilitățile viitoare de tranzacții cu carduri defecte sau frauduloase.
Rețele neuronale: aplicații în lumea reală
Învățare nesupravegheată
Spre deosebire de învățarea supravegheată care utilizează seturi de date istorice, învățarea nesupravegheată este aplicații cărora le lipsește orice date istorice. În această metodă, algoritmul de învățare depășește datele pentru a crea o structură adecvată - deși datele sunt lipsite de etichete, algoritmul împarte datele în bucăți mai mici în funcție de caracteristicile lor respective, cel mai frecvent cu ajutorul unui arbore de decizie. Învățarea nesupravegheată este ideală pentru aplicațiile de date tranzacționale, cum ar fi identificarea segmentelor de clienți și a clusterelor cu atribute specifice.
Algoritmii de învățare nesupravegheați sunt utilizați în principal pentru crearea de conținut personalizat pentru grupuri individuale de utilizatori. Recomandările online privind platformele de cumpărături și identificarea datelor aberante sunt două exemple excelente de învățare nesupravegheată.
Consolidarea învățării
Învățarea prin întărire este destul de asemănătoare cu metoda tradițională de analiză a datelor în care algoritmii învață prin metoda încercării și erorii, după care declară rezultatele cu cele mai bune rezultate posibile. Învățarea prin consolidare este compusă din trei componente fundamentale – agent, mediu și acțiuni. Agentul se referă aici la cel care învață/factorul de decizie; mediul este format din tot ceea ce agentul interacționează, iar acțiunile se referă la lucrurile pe care agentul le poate realiza.
Acest tip de învățare ajută la îmbunătățirea algoritmului în timp, deoarece continuă să ajusteze algoritmul pe măsură ce detectează erori în el. Rutele Google Maps sunt unul dintre cele mai excelente exemple de învățare prin consolidare.
Acum că știți ce este Machine Learning, inclusiv tipurile în care puteți face ca mașinile să învețe, să ne uităm acum la diferitele aplicații ale Machine Learning din lume de astăzi.
Aceste 6 tehnici de învățare automată îmbunătățesc asistența medicală
De ce este învățarea automată importantă în lumea de astăzi?
După ce este învățarea automată, urmează următoarea întrebare importantă – „care este importanța învățării automate?”
Obiectivul principal al învățării automate este de a ajuta organizațiile să-și îmbunătățească funcționarea generală, productivitatea și procesul de luare a deciziilor, aprofundând în cantitățile mari de rezerve de date. Pe măsură ce mașinile încep să învețe prin algoritmi, va ajuta companiile să dezlege astfel de modele în cadrul datelor care le pot ajuta să ia decizii mai bune fără a fi nevoie de intervenția umană. Pe lângă acest beneficiu inițial, învățarea automată are următoarele avantaje:
Analiză și evaluare în timp util
Certând cantități masive de date, cum ar fi feedback-ul și interacțiunea clienților, algoritmii ML vă pot ajuta să efectuați analize și evaluare în timp util a strategiilor dumneavoastră organizaționale. Când creați un model de afaceri navigând prin mai multe surse de date, aveți șansa de a vedea variabilele relevante. În acest fel, învățarea automată vă poate ajuta să înțelegeți comportamentul clienților, permițându-vă astfel să vă eficientizați strategiile de achiziție de clienți și de marketing digital în consecință.
Predicții în timp real făcute posibile prin procesare rapidă
Una dintre cele mai impresionante caracteristici ale algoritmilor ML este faptul că sunt super rapizi, drept urmare procesarea datelor din mai multe surse are loc rapid. Acest lucru, la rândul său, ajută la realizarea de predicții în timp real, care pot fi foarte benefice pentru companii. De exemplu,
- Analiza abandonului – implică identificarea acelor segmente de clienți care sunt susceptibile să părăsească marca dvs.
- Clienți potențiali și conversie – algoritmii ML oferă informații despre modelele de cumpărare și cheltuieli ale diferitelor segmente de clienți, permițând astfel companiilor să elaboreze strategii care pot minimiza pierderile și pot întări profiturile.
- Reținerea clienților – algoritmii ML pot ajuta la identificarea restanțelor din politicile de achiziție de clienți și campaniile de marketing. Cu astfel de informații, vă puteți ajusta strategiile de afaceri și puteți îmbunătăți experiența generală a clienților pentru a vă păstra baza de clienți.
Industrii în transformare
Învățarea automată a început deja să transforme industriile cu capacitatea sa de a oferi informații valoroase în timp real. Companiile financiare și de asigurări folosesc tehnologiile ML pentru a identifica modele semnificative în seturi mari de date, pentru a preveni frauda și pentru a oferi planuri financiare personalizate pentru diferite segmente de clienți. În domeniul sănătății, dispozitivele purtabile și senzorii de fitness alimentați de tehnologia ML permit persoanelor să preia controlul asupra sănătății lor, reducând, în consecință, presiunea asupra profesioniștilor din domeniul sănătății. Învățarea automată este, de asemenea, utilizată de industria petrolului și gazelor pentru a afla noi surse de energie, pentru a analiza mineralele din pământ, pentru a prezice defecțiunile sistemului și așa mai departe.
Învață cursul ML de la cele mai bune universități din lume. Câștigă programe de masterat, Executive PGP sau Advanced Certificate pentru a-ți accelera cariera.
Ingineri de învățare automată: mituri vs. realități
Desigur, toate acestea sunt doar vârful aisbergului. Dacă sunteți curios să înțelegeți ce este învățarea automată în profunzime, este mai bine să priviți mai în profunzime tehnologia. Sperăm că am putut să vă ajutăm să înțelegeți ce este învățarea automată, cel puțin la suprafață. Întotdeauna sunt atât de multe de făcut și de învățat, încât doar întrebarea „ce este învățarea automată” va ajuta doar puțin. Este timpul tău să sapi mai adânc și să te apuci de tehnologia!
