Что такое машинное обучение?

Машинное обучение — это область компьютерных наук, в которой используются статические технологии, позволяющие компьютерным системам «обучаться» с помощью данных, без явно запрограммировано.

Это означает, "ML — это обучение на основе данных"

Явное программирование означает, написание кода для каждого сценария, позволяющего справиться с этой ситуацией.

В машинном обучении вместо написания явного кода для каждого сценария мы обучаем модели извлекать шаблоны из данных, что позволяет им делать прогнозы или решения для непредвиденных ситуаций.

Итак, мы даем вход и выход, но не пишем никакого кода для каждого случая. Алгоритмы машинного обучения автоматически обрабатывают их.

В простом примере можно использовать:

Функция суммирования:

В явном программировании, чтобы сложить 2 числа, мы пишем специальный код, который работает только в этом случае. Этот код не будет работать для добавления 5 или N чисел без изменений.

Напротив, с помощью ML мы можем предоставить файл Excel, в котором каждая строка содержит разные числа и их сумму. По мере обучения алгоритма МО на этом наборе данных он изучает шаблон сложения. В будущем, когда ему будут даны 2, 10 или N чисел, он сможет выполнять сложение на основе изученного шаблона без необходимости использования специального кода для каждого сценария.

Где мы используем машинное обучение?

• Классификатор спама в электронной почте:

В явном программировании я написал несколько условий if-else, например: «Если ключевое слово встречается 3 или более раз, оно будет помечено как спам». Например, если слово «Огромный» используется 3 раза, оно помечается как спам.

Теперь представьте, что рекламная компания осознает, что существует такой алгоритм для обнаружения спама. Поэтому вместо того, чтобы повторять слово «Огромный» 3 раза, они используют такие синонимы, как «Огромный», «Массивный» и «Большой». В этом случае исходное правило не будет работать. Каким будет решение? Должен ли я снова изменить свои предыдущие алгоритмы? Сколько раз я смогу это делать?

В ML модель учится на предоставленных данных и автоматически создает алгоритмы на основе этих данных. Если данные изменяются, алгоритм корректируется соответствующим образом. Нет необходимости вручную менять алгоритм, он будет обновляться по мере необходимости на основе новых данных.

• Классификация изображений:

При явном программировании для классификации изображений нам потребуется вручную писать правила для определения характеристик собаки, таких как ее форма, размер, цвет шерсти или хвоста. Эти правила будут работать только для конкретных изображений и не будут применимы ко всем породам собак. Если бы мы столкнулись с новыми породами или вариациями, нам пришлось бы добавить новые правила для каждой из них.

В ML вместо написания конкретных правил мы предоставляем модели большой набор данных изображений собак, размеченных по породам. Затем модель изучает закономерности на основе данных, такие как общие характеристики разных пород, и использует эти полученные знания для классификации новых изображений собак, даже если она раньше не видела именно эти породы. Алгоритм автоматически адаптируется к изменениям в данных.

Кроме того, существуют тысячи способов использования машинного обучения. Вы можете задаться вопросом:
почему машинное обучение не было так популярно до 2010 года?

• Ограниченная емкость хранилища затрудняла хранение больших объемов данных из-за нехватки жестких дисков.
• Недостаточно данных для эффективного обучения моделей машинного обучения.
• Аппаратные ограничения, такие как менее мощные графические процессоры и процессоры, ограничивают возможность эффективного выполнения сложных алгоритмов.

В настоящее время мы генерируем миллионы точек данных каждый день. Используя этот огромный объем данных, модели машинного обучения теперь становятся более точными, эффективными и способны решать сложные проблемы. Они могут изучать закономерности, делать прогнозы и автоматизировать задачи в различных областях, таких как здравоохранение, финансы и технологии, улучшая процесс принятия решений и внедряя инновации.

Спасибо, что нашли время прочитать это.