Рачунари не преузимају, али свакодневно постају паметнији
Најједноставније речено, машинско учење (МЛ) је програмирање машина (рачунара) тако да може извршити тражени задатак користећи и анализирати податке (информације) да самостално извршава тај задатак, без додатног посебног уноса од хуманог програмера.
Машинско учење 101
Термин "машинско учење" је скениран у лабораторијама ИБМ-а 1959. од стране Артхур Самуел-а, пионира у вештачкој интелигенцији (АИ) и рачунарских игара. Машинско учење, као резултат, је грана вештачке интелигенције. Самуелова претпоставка је била да флипује компјутерски модел времена наопачке и престане да даје рачунарима ствари за учење.
Уместо тога, он је желео да рачунари почну сами да схвате ствари, а да људи не морају да унесу чак ни најмањи део информација. Затим, помисли он, рачунари не би само извршавали задатке, већ би могли на крају одлучити које задатке треба обавити и када. Зашто? Тако да рачунари могу смањити количину рада људи који су потребни за извођење у датој области.
Како ради машинско учење
Машинско учење функционише кроз употребу алгоритама и података. Алгоритам је сет инструкција или смерница који говоре рачунару или програму како извршити задатак. Алгоритми који се користе у МЛ прикупљају податке, препознају обрасце и користе анализу тих података како би прилагодили своје програме и функције за завршавање задатака.
МЛ алгоритми користе скупове правила, стабла одлучивања, графичке моделе, обраду природног језика и неуронске мреже (да наведу неколико) да аутоматизују податке обраде за доношење одлука и обављање задатака. Док МЛ може бити сложена тема, Гооглеова учитељска машина пружа једноставну практичну демонстрацију како МЛ ради.
Најснажнији облик машинског учења који се данас користи, под називом дубоко учење , гради сложену математичку структуру која се назива неуронска мрежа, заснована на великим количинама података. Неуронске мреже су скупови алгоритама у МЛ и АИ моделованим по начину на који нервне ћелије у информацијама о процесу у људском мозгу и нервном систему.
Умјетничка интелигенција вс. Мацхине Леарнинг вс. Дата Мининг
Да бисте најбоље разумели однос између АИ, МЛ и рударења података, корисно је размишљати о скупу кишобрана различитих величина. АИ је највећи кишобран. МЛ кишобран је мањи и мањи је под окриљем АИ кишобрана. Кишобран за руковање подацима је најмањи и уклапа се под МЛ кишобран.
- АИ је огранак компјутерске науке који има за циљ да програмира рачунаре за обављање задатака на више "интелигентних" и "људских" начина, користећи образложење и технике доношења одлука моделираних након људске интелигенције.
- МЛ је категорија рачунарства у оквиру АИ која се фокусира на програмерске машине (рачунаре) за учење (прикупља потребне податке или примере) како би доносио одлуке на интелигентне и аутоматизовније одлуке.
- Дата мининг користи статистику, МЛ, АИ и огромне базе података информација како би пронашао обрасце, пружио увиде, креирао класификације, идентификовао проблеме и доставио детаљну аналитику података.
Шта машинско учење може да ради (и већ има)
Капацитет рачунара да анализира огромне количине информација у фракцијама секунде чини МЛ корисним у бројним индустријама где су време и тачност неопходни.
- Медицина: МЛ технологија се примењује у низу решења за медицинско поље, укључујући помагање хитним лекарима са бржом дијагнозом пацијената са неуобичајеним симптомима. Лекари могу унети листу симптома пацијента у програм и користећи МЛ, програм може да избрише трилијоне терабајта информација из медицинске литературе и интернета да би вратио листу потенцијалних дијагноза и препоручио тестирање или лечење у рекордном времену.
- Образовање: МЛ се користи за креирање образовних алата који се прилагођавају потребама учења ученика, као што су виртуелни помоћници за учење и електронски уџбеници који су интерактивнији. Ови алати користе МЛ како би открили које концепте и вјештине разумије студентом користећи кратке квизове и вјежбе у пракси. Алати потом обезбеђују кратке видео записе, додатне примере и позадински материјал који ће студенту помоћи да науче потребне вештине или концепте.
- Аутомобили: МЛ је такође кључна компонента у новонасталом пољу аутомобила за аутомобиле (такође названа аутомобила без аутобуса или аутономних аутомобила). Софтвер који користи аутомобиле који користе аутомобиле користе МЛ током истих тестова путева и симулација како би открили услове на путевима (као што су ледени путеви) или идентификовали препреке у коловозу и научили одговарајуће задатке вожње како би се безбедно кретали у таквим ситуацијама.
Ви сте вероватно већ сусрели са МЛ-у много пута без тога да је схватите. Неке од најчешћих употреба МЛ технологије укључују практично препознавање говора ( Самсунгов Бикби , Аппле'с Сири и многе програме разговора у текст који су сада стандардни на рачунарима), филтрирање нежељене поште за вашу е-пошту, креирање вести за вести, откривање превара, персонализирање препоруке за куповину и пружање ефикаснијих резултата претраге веба.
МЛ је чак укључен у ваш Фацебоок феед. Када волите или често кликнете на постове пријатеља, алгоритми и МЛ иза сцене "учите" од својих радњи током времена како бисте одредили одређене пријатеље или странице у свом Невсфеед-у.
Шта машинско учење не може урадити
Међутим, постоје ограничења за оно што МЛ може да уради. На примјер, кориштење МЛ технологије у различитим индустријама захтијева значајну количину развоја и програмирања од стране људи за специјализацију програма или система за врсте задатака које захтијева та индустрија. На пример, у нашем медицинском примеру изнад, МЛ програм који се користи у одељењу за хитне случајеве развијен је посебно за људску медицину. Тренутно није могуће узети тај програм и директно га имплементирати у хитном центру за ветеринарство. Таква транзиција захтијева обимну специјализацију и развој од стране људских програмера да креирају верзију која може да уради овај задатак за ветеринарску или животињску медицину.
Такође захтијева невероватно велике количине података и примјера за "учење" информација које су јој потребне за доношење одлука и обављање задатака. Програми МЛ такође су врло буквални у интерпретацији података и борби са симболиком, као и неким врстама односа унутар резултата података, као што су узрок и ефекат.
Међутим, наставак напредовања чини МЛ већу основном технологијом која свакодневно ствара паметније рачунаре.