Машинное обучение - Приложения

Опубликовано: 15 Июля, 2021

Вступление

Машинное обучение - одна из самых захватывающих технологий, с которыми когда-либо приходилось сталкиваться. Как видно из названия, это дает компьютеру то, что делает его более похожим на людей: способность учиться. Машинное обучение сегодня активно используется, возможно, во многих других местах, чем можно было бы ожидать. Мы, вероятно, используем алгоритм обучения десятки раз, даже не подозревая об этом. Приложения машинного обучения включают:

  • Система веб-поиска: одна из причин, по которой такие поисковые системы, как google, bing и т. Д., Работают так хорошо, заключается в том, что система научилась ранжировать страницы с помощью сложного алгоритма обучения.
  • Приложения для добавления тегов к фотографиям: будь то facebook или любое другое приложение для добавления тегов к фотографиям, возможность отмечать друзей делает это еще более интересным. Все это возможно благодаря алгоритму распознавания лиц, который работает за приложением.
  • Детектор спама: наш почтовый агент, такой как Gmail или Hotmail, делает за нас много тяжелой работы по классификации писем и перемещению спамовых писем в папку для спама. Это снова достигается с помощью классификатора спама, запущенного в серверной части почтового приложения.

Сегодня компании используют машинное обучение для улучшения бизнес-решений, повышения производительности, выявления болезней, прогнозирования погоды и для многих других вещей. С экспоненциальным ростом технологий нам нужны не только более совершенные инструменты для понимания данных, которые у нас есть в настоящее время, но и нам необходимо подготовиться к данным, которые у нас будут. Для достижения этой цели нам нужно создавать интеллектуальные машины. Мы можем написать программу для простых вещей. Но в большинстве случаев Hardwiring Intelligence в этом затруднен. Лучший способ сделать это - дать машинам возможность самим учиться. Механизм обучения - если машина может учиться на вводе, она делает всю тяжелую работу за нас. Здесь в дело вступает машинное обучение. Вот несколько примеров машинного обучения:

  • Database Mining для роста автоматизации: типичные приложения включают данные веб-щелчков для лучшего UX (User eXperience), медицинские записи для лучшей автоматизации в здравоохранении, биологические данные и многое другое.
  • Приложения, которые нельзя запрограммировать: есть некоторые задачи, которые нельзя запрограммировать, поскольку компьютеры, которые мы используем, не смоделированы таким образом. Примеры включают автономное вождение, задачи распознавания по неупорядоченным данным (распознавание лиц / распознавание рукописного ввода), обработку естественного языка, компьютерное зрение и т. Д.
  • Понимание человеческого обучения: это самое близкое из того, что мы понимали и имитировали человеческий мозг. Это начало новой революции, настоящего ИИ. Теперь, после краткого понимания, давайте перейдем к более формальному определению машинного обучения.
  • Артур Сэмюэл (1959): «Машинное обучение - это область исследований, которая дает компьютерам возможность учиться без явного программирования». Сэмюэл написал программу для игры в шашку, которая могла учиться со временем. Сначала его можно было легко выиграть. Но со временем он узнал все позиции на доске, которые в конечном итоге привели его к победе или поражению, и таким образом стал лучшим шахматистом, чем сам Самуэль. Это была одна из самых ранних попыток определения машинного обучения, и она носит несколько менее формальный характер.
  • Том Мишель (1999): «Считается, что компьютерная программа учится на опыте E в отношении некоторого класса задач T и показателя производительности P, если ее производительность при выполнении задач в T, измеренная с помощью P, улучшается с опытом E.» Это более формальное и математическое определение. За предыдущую шахматную программу
    • E - количество игр.
    • T играет в шахматы против компьютера.
    • P - победа / поражение компьютера.

В следующем руководстве мы классифицируем типы проблем машинного обучения, а также обсудим полезные пакеты и среду настройки для машинного обучения, а также то, как мы можем использовать ее для разработки новых проектов.

Рекомендации:

[1] Машинное обучение в действии, Питер Харрингтон.

[2] cs229.stanford.edu

Эта статья предоставлена Абхишеком Шармой . Если вам нравится GeeksforGeeks, и вы хотели бы внести свой вклад, вы также можете написать статью и отправить ее по электронной почте на deposit@geeksforgeeks.org. Посмотрите, как ваша статья появляется на главной странице GeeksforGeeks, и помогите другим гикам.