5 прорывных приложений машинного обучения

Машинное обучение — последнее модное словечко, и это совершенно правильно. Это одна из самых интересных и быстро развивающихся областей информатики. Проще говоря, машинное обучение — это то, что делает ваш искусственный интеллект разумным. Большинство людей находят внутреннюю работу машинного обучения загадочной, но это далеко не так. Если вы только начинаете понимать машинное обучение, давайте упростим задачу, используя аналогию:
Вы пытаетесь бросить бумажный шарик в мусорное ведро.

После одной попытки вы получите четкое представление о количестве силы, которую вам нужно приложить. Вы прикладываете необходимую силу во второй попытке, но угол кажется неправильным. По сути, здесь происходит то, что с каждым броском вы чему-то учитесь и приближаете свой результат к желаемому. Это потому, что мы, люди, по своей природе запрограммированы учиться и расти на основе нашего опыта.
Предположим, вы заменяете себя машиной. Теперь у нас есть два пути продвижения вперед:

Немашинный подход к обучению

Общий подход, не связанный с машинным обучением, заключается в измерении угла и расстояния, а затем использовании формулы для расчета необходимой оптимальной силы. Теперь предположим, что мы добавляем еще одну переменную — вентилятор, добавляющий силу ветра. Наша не-ML программа почти наверняка потерпит неудачу из-за добавленной переменной. Если мы хотим заставить его работать, нам нужно перепрограммировать его, учитывая фактор ветра и формулу.

Подход к машинному обучению

Теперь, если бы мы использовали подход, основанный на машинном обучении, для той же проблемы, он также начинался бы со стандартной формулы, но после каждого опыта формула обновлялась бы/преломлялась. Формула будет постоянно улучшаться с использованием большего количества опыта (известного как «точки данных» в мире машинного обучения) — это также приведет к улучшению результатов. Вы сталкиваетесь с этими вещами ежедневно в виде своей ленты новостей Facebook, пользовательских предложений YouTube или других подобных вещей — вы понимаете суть.
Разница между наукой о данных, машинным обучением и большими данными!

Что такое машинное обучение?

Приведенная выше аналогия должна прояснить, что машинное обучение просто использует алгоритмы и процессы для обучения вашей системы, чтобы она становилась лучше с опытом. Однако для технического определения говорят, что система учится на опыте в отношении набора задач, если ее производительность при выполнении указанных задач улучшается со временем и опытом.

По сути, это означает, что в машинном обучении система улучшает свою производительность с опытом. Именно это мы заметили и в нашей аналогии.

Типы машинного обучения

В зависимости от постановки задачи вы можете использовать любой из трех методов для обучения вашей системы:

Контролируемое обучение

Машинное обучение с учителем следует применять к наборам данных, где известна метка/класс каждого данных. Давайте представим, что мы хотим научить нашу систему различать изображения собаки и человека. Предположим, у нас есть коллекция изображений, помеченных как человек или собака (маркировка выполняется людьми-аннотаторами для обеспечения лучшего качества данных). Теперь мы можем использовать этот набор данных и классы данных, чтобы обучить наш алгоритм правильному обучению. Как только наш алгоритм научится классифицировать изображения, мы сможем использовать его для разных наборов данных, чтобы предсказать метку любой новой точки данных.
Нейронные сети для чайников: подробное руководство

Неконтролируемое обучение

Как вы можете догадаться из названия, неконтролируемое машинное обучение лишено каких-либо контролирующих классов или меток. Мы просто предоставляем нашей системе большое количество данных и характеристик каждого фрагмента данных. Например, предположим, что в нашем предыдущем примере мы просто передали в нашу систему несколько изображений (людей и собак), присвоив каждому изображению характеристику. Ясно, что характеристики людей будут похожи и отличны от собак. Используя эти характеристики, мы можем научить нашу систему группировать данные по двум категориям. Неконтролируемая версия «классификации» называется «кластеризацией». В кластеризации у нас нет никаких меток. Мы группируем наборы данных на основе общих характеристик.

Обучение с подкреплением

В обучении с подкреплением нет классов или характеристик, есть только конечная точка — сдать или не сдать. Чтобы лучше понять это, рассмотрим пример обучения игре в шахматы. После каждой игры система информируется о статусе выигрыша/проигрыша. В таком случае в нашей системе не каждый ход помечен как «правильный» или «неправильный», а есть только конечный результат. По мере того, как наш алгоритм играет больше игр во время обучения, он будет продолжать придавать больший «вес» (важность) комбинации тех ходов, которые привели к выигрышу.
Нейронные сети: приложения в реальном мире

Прорывные приложения в области машинного обучения

Из нашего обсуждения выше становится ясно, что машинное обучение действительно может решить множество проблем, с которыми традиционные компьютеры просто не могут справиться. Давайте посмотрим на некоторые приложения машинного обучения, которые изменили мир, каким мы его знаем:

1. Борьба с веб-спамом

Google использует «глубокое обучение» — нейронную сеть для борьбы со спамом как онлайн, так и оффлайн. Глубокое обучение использует данные от пользователей и применяет обработку естественного языка, чтобы сделать вывод об электронных письмах, с которыми он столкнулся. Это помогает не только веб-пользователям, но и SEO-компаниям, пытающимся повысить ранжирование законных веб-сайтов с помощью белых методов.

Изучите онлайн -курс по науке о данных в лучших университетах мира. Участвуйте в программах Executive PG, Advanced Certificate Programs или Master Programs, чтобы ускорить свою карьеру.

2. Имитационное обучение

Имитационное обучение очень похоже на наблюдательное обучение — то, что мы делаем в младенчестве. Это широко используется в полевой робототехнике и в таких отраслях, как сельское хозяйство, поиск, строительство, спасание, военные и другие. Во всех таких ситуациях крайне сложно вручную запрограммировать роботов. Чтобы помочь в этом, программирование путем демонстрации — также известное как совместные методы — используется в сочетании с машинным обучением. Взгляните на это видео, опубликованное штатом Аризона , на котором показано, как робот-гуманоид учится хватать разные предметы.

3. Вспомогательные и медицинские технологии

Вспомогательные роботы — это роботы, способные обрабатывать сенсорную информацию и выполнять действия в случае необходимости. Автономный робот Smart Tissue (STAR) был создан с использованием этого типа машинного обучения и реального сотрудничества. STAR использует ML и 3D-датчик и может сшивать кишки свиней (используемые для тестирования) лучше, чем любой хирург. Хотя STAR не был разработан для замены хирургов, он предлагает совместное решение для деликатных этапов медицинских процедур.
Машинное обучение также находит применение в виде прогностических мер. Подобно тому, как коллега может посмотреть на рецепт врача и выяснить, что он мог упустить, система искусственного интеллекта тоже может найти недостающие звенья в рецепте, если хорошо обучена. Не только это, ИИ также может искать закономерности, указывающие на возможную сердечную недостаточность. Это может оказаться чрезвычайно полезным для врачей, поскольку они могут сотрудничать с виртуальным искусственным интеллектом робота, чтобы лучше диагностировать смертельную болезнь сердца до того, как она разразится. Дополнительная пара глаз (и интеллекта) может принести больше пользы, чем вреда. Исследования, проведенные до сих пор, также обещают будущее применение этой технологии.

4. Автоматический перевод/распознавание

Хотя это кажется простой концепцией, ML также можно использовать для перевода текста (даже с изображений) на любой язык. Использование нейронных сетей поможет в извлечении текста из изображения, который затем можно будет перевести на нужный язык, прежде чем снова вставлять в изображение. Помимо этого, машинное обучение также используется в каждом приложении, имеющем дело с любым видом распознавания — голосом, изображениями, текстом и так далее!

5. Играть в видеоигры автоматически

Это одно из самых крутых приложений машинного обучения, хотя оно может не иметь такой социальной полезности, как другие, упомянутые в списке. Машинное обучение можно использовать для обучения нейронных сетей анализировать пиксели на экране и соответственно играть в видеоигры. Одной из первых попыток в этом отношении был Deepmind от Google.
Go и вызов общему искусственному интеллекту

В заключение…
Сказав это, машинное обучение не является решением всех ваших проблем. Вам не нужно машинное обучение, чтобы определить возраст человека по его дате рождения, но вам определенно нужно машинное обучение, чтобы определить возраст человека по его музыкальным предпочтениям. Например, вы обнаружите, что поклонникам Джонни Кэша и The Doors в основном больше 35 лет, в то время как большинству поклонников Селены Гомес меньше 20. Машинное обучение *можно* использовать для решения любой проблемы вокруг вас, но нужно ли? Не совсем. Никогда не используйте машинное обучение в качестве решения своих проблем, не будучи уверенным, что вам действительно нужна ваша машина для обучения. В противном случае это было бы все равно, что убивать комаров из пулемета — их могли убить, а возможно и нет, но, в конце концов, оно того стоило?
Если вам интересно узнать о науке о данных, ознакомьтесь с программой IIIT-B & upGrad Executive PG по науке о данных, которая создана для работающих профессионалов и предлагает более 10 тематических исследований и проектов, практические семинары, наставничество с отраслевыми экспертами, 1 -на-1 с отраслевыми наставниками, более 400 часов обучения и помощи в трудоустройстве в ведущих фирмах.