5 机器学习的突破性应用

机器学习是最近流行的流行词，而且非常正确。 它是计算机科学中最有趣和发展最快的子领域之一。 简而言之，机器学习使您的人工智能变得智能。 大多数人发现机器学习的内部运作很神秘——但这远非事实。 如果您刚刚开始了解机器学习，让我们使用一个类比使其更容易：
你正试图把一个纸球扔进垃圾箱。

一次尝试后，您将大致了解需要施加的力量。 您在第二次尝试中施加了所需的力量，但角度似乎是错误的。 这里本质上发生的是，每次投掷你都在学习一些东西，并使你的结果更接近预期的结果。 那是因为我们人类天生就可以从我们的经验中学习和成长。
假设你用一台机器代替自己。 现在，我们有两种前进的方式：

非机器学习方法

一种通用的非机器学习方法是测量角度和距离，然后使用公式计算所需的最佳力。 现在，假设我们添加另一个变量——一个增加风力的风扇。 由于添加了变量，我们的非 ML 程序几乎肯定会失败。 如果我们要让它工作，我们需要重新编程，记住风因素和公式。

机器学习方法

现在，如果我们要为相同的问题设计基于机器学习的方法，它也会从标准公式开始——但是，在每次体验之后，它都会更新/重构公式。 该公式将使用更多的经验（在机器学习领域称为“数据点”）不断改进——这也将导致结果的改进。 您每天都会以 Facebook 新闻提要的形式体验这些东西，或者自定义策划的 YouTube 建议或其他类似的东西 - 你明白了要点。
数据科学、机器学习和大数据之间的区别！

什么是机器学习？

上面的类比应该清楚地表明，机器学习只是使用算法和过程来训练你的系统，以便通过经验变得更好。 但是，出于技术定义的目的，如果系统在所述任务上的性能随着时间和经验而提高，则可以说系统从一组任务的经验中学习。

这本质上意味着在机器学习中，系统会通过经验提高其性能。 这正是我们在类比中注意到的。

机器学习的类型

根据您的问题陈述，您可以使用以下三种技术中的任何一种来训练您的系统：

监督学习

监督机器学习应该应用于每个数据的标签/类别已知的数据集。 让我们想象一下，我们想教我们的系统如何区分狗和人的图像。 假设我们有一组标记为人或狗的图片（标记由人工注释者完成，以确保更好的数据质量）。 现在，我们可以使用这个数据集和数据类来训练我们的算法以学习正确的方式。 一旦我们的算法学会了如何对图像进行分类，我们就可以在不同的数据集上使用它来预测任何新数据点的标签。
傻瓜神经网络：综合指南

无监督学习

正如您可以从名称中猜到的那样，无监督机器学习没有任何监督类或标签。 我们只是为我们的系统提供了大量的数据和每个数据块的特征。 例如，假设在我们之前的示例中，我们只是将一些图像（人和狗的）输入到我们的系统中，为每个图像赋予一个特征。 显然，人类的特征将与狗相似和不同。 利用这些特征，我们可以训练我们的系统将数据分为两类。 “分类”的无监督版本称为“聚类”。 在聚类中，我们没有任何标签。 我们根据共同特征对数据集进行分组。

强化学习

在强化学习中，没有类别或特征，只有一个终点——通过或失败。 为了更好地理解这一点，请考虑学习下棋的例子。 每场比赛结束后，系统都会收到输赢状态通知。 在这种情况下，我们的系统不会将每一步都标记为“正确”或“错误”，而只有最终结果。 随着我们的算法在训练期间玩更多的游戏，它会继续为那些导致获胜的动作的组合赋予更大的“权重”（重要性）。
神经网络：现实世界中的应用

机器学习领域的突破性应用

从我们上面的讨论可以看出，机器学习确实可以解决很多传统计算机无法解决的问题。 让我们看看机器学习的一些应用改变了我们所知道的世界：

1. 打击网络垃圾邮件

谷歌正在使用“深度学习”——它是一种神经网络，可以在线和离线对抗垃圾邮件。 深度学习使用来自用户的数据并应用自然语言处理来总结它遇到的电子邮件。 它不仅可以帮助网络用户，还可以帮助 SEO 公司尝试使用白帽技术帮助合法网站排名更高。

从世界顶级大学在线学习数据科学课程。 获得行政 PG 课程、高级证书课程或硕士课程，以加快您的职业生涯。

2.模仿学习

模仿学习与观察学习非常相似——这是我们在婴儿时期所做的事情。 这广泛用于现场机器人技术以及农业、搜索、建筑、救援、军事等行业。 在所有这些情况下，手动对机器人进行编程非常困难。 为了解决这个问题，演示编程（也称为协作方法）与机器学习结合使用。 看看亚利桑那州发布的这段视频，它展示了一个人形机器人学习抓取不同的物体。

3. 辅助和医疗技术

辅助机器人是能够处理感官信息并在需要时执行动作的机器人。 智能组织自主机器人 (STAR) 是使用这种类型的机器学习和现实世界的协作创建的。 STAR 使用 ML 和 3D 传感，可以比任何外科医生更好地缝合猪肠（用于测试）。 虽然 STAR 并不是为了取代外科医生而开发的，但它确实为医疗程序中的精细步骤提供了协作解决方案。
机器学习还以预测措施的形式找到应用。 就像同事可以查看医生的处方并找出他们可能遗漏的内容一样，如果训练有素，人工智能系统也可以找出处方中缺失的环节。 不仅如此，人工智能还可以寻找指向可能的心力衰竭的模式。 这可以证明对医生非常有帮助，因为他们可以与虚拟机器人 AI 合作，在致命的心脏病发作之前更好地诊断它。 额外的一双眼睛（和智慧）可以利大于弊。 迄今为止的研究也为这项技术的未来应用提供了希望。

4. 自动翻译/识别

尽管它看起来像一个简单的概念，但 ML 也可以用于将文本（甚至来自图像）翻译成任何语言。 使用神经网络将有助于从图像中提取文本，然后将其翻译成所需的语言，然后再将其放回图片中。 除此之外，ML 还用于处理任何类型识别的每个应用程序——语音、图像、文本，应有尽有！

5. 自动玩电子游戏

这是机器学习最酷的应用之一，尽管它可能不像列表中提到的其他应用那样具有那么多的社会效用。 机器学习可用于训练神经网络分析屏幕上的像素并相应地玩视频游戏。 最初的尝试之一是谷歌的 Deepmind。
围棋和对通用人工智能的挑战

综上所述…
话虽如此，机器学习并不是解决所有问题的方法。 你不需要机器学习来从他的 DOB 中找出一个人的年龄，但你当然需要 ML 来从他的音乐偏好中找出一个人的年龄。 例如，您会发现 Johnny Cash and the Doors 的粉丝大多 35 岁以上，而 Selena Gomez 的大多数粉丝都在 20 岁以下。机器学习*可以*用于解决您周围的任何问题，但应该吗？ 并不真地。 永远不要使用机器学习来解决你的问题，而不是确定你真的需要你的机器来学习。 否则，这就像用机关枪杀死蚊子一样——它们可能会被杀死，也可能不会，但归根结底，值得吗？
如果您想了解数据科学，请查看 IIIT-B 和 upGrad 的数据科学执行 PG 计划，该计划是为在职专业人士创建的，提供 10 多个案例研究和项目、实用的实践研讨会、行业专家的指导、1与行业导师一对一，400 多个小时的学习和顶级公司的工作协助。