Wprowadzenie do uczenia maszynowego
Uczenie maszynowe (ML) to sztuka tworzenia algorytmów bez jawnego programowania. W ciągu ostatnich dwóch dekad wygenerowano eksabajty danych, a większość branż została w pełni zdigitalizowana. Te istniejące dane są wykorzystywane przez algorytmy uczenia maszynowego (ML) do opracowywania modeli predykcyjnych i automatyzacji kilku czasochłonnych zadań.
Zobaczmy, jak algorytmy ML różnią się od zaprogramowanych algorytmów opartych na logice:
W przypadku algorytmu opartego na logice przepływ jest dobrze zdefiniowany i znany z góry, jednak istnieje kilka rzeczywistych scenariuszy (takich jak klasyfikacja obrazów), w których nie można zdefiniować logiki. W takich przypadkach uczenie maszynowe okazało się niezwykle przydatne. Techniki uczenia maszynowego pobierają parametry wejściowe i oczekiwane dane wyjściowe odniesienia i generują logikę, która jest następnie wdrażana do produkcji.
Główne elementy wprowadzenia do uczenia maszynowego:
Uczenie maszynowe dzieli się na następujące kategorie:
1. Nadzorowane uczenie maszynowe
Nadzorowany algorytm ML pobiera dane wejściowe (funkcje) wraz z danymi oznaczonymi danymi wyjściowymi na wejściu. Są one najczęściej używane do zadań klasyfikacji i regresji.
Klasyfikacja:
- Decyzja o przyznaniu pożyczki : zautomatyzuj proces zatwierdzania pożyczki, korzystając z danych z przeszłości, takich jak wiek, dochód, wykształcenie, miasto itp., Aby zdecydować, czy pożyczka wnioskodawcy może zostać zatwierdzona.
Regresja:
- Prognozowanie ceny domu : przewidywanie ceny domu za pomocą takich funkcji, jak wielkość domu, wiek domu, liczba pokoi, lokalizacja itp.
2. Uczenie maszynowe bez nadzoru
Bezobsługowe techniki ML nie wymagają żadnych oznakowanych danych i są używane do grupowania danych w różne segmenty w oparciu o funkcje wejściowe.
Przykład: Aby podzielić grupę 100 osób na 5 klastrów, funkcje wprowadzania mogą obejmować zainteresowania, hobby, powiązania społecznościowe itp.
Zastosowania uczenia maszynowego
W ostatnim dziesięcioleciu wprowadzenie do uczenia maszynowego zmieniło kilka branż, w tym opiekę zdrowotną, media społecznościowe, marketing cyfrowy, nieruchomości, logistykę, łańcuch dostaw i produkcję. Wczesne zmiany w tych branżach już przyniosły znaczne zyski. Rośnie zapotrzebowanie na wykwalifikowaną siłę roboczą z uczeniem maszynowym i wiedzą w dziedzinie.
Oto kilka aplikacji, w których techniki ML odegrały znaczącą rolę:
-
Klasyfikacja spamu:
Aby sklasyfikować pocztę jako spam / nie spam, używając odpowiedzi z etykietami i przy użyciu danych, takich jak treść wiadomości, użycie słownictwa używanego w wiadomościach promocyjnych, adres e-mail nadawcy, adres IP nadawcy, użycie hiperłączy, interpunkcja cyfr itp.
-
Wykrywanie raka:
ML jest coraz częściej stosowany w opiece zdrowotnej do diagnozowania, a nawet do wykrywania raka, wykorzystując dane medyczne dotyczące poprzednich pacjentów. W przypadku wykrywania raka piersi algorytm szkoleniowy przyjmuje dane wejściowe, takie jak rozmiar guza, promień, krzywizna i obwód. Na wyjściu otrzymujemy prawdopodobieństwo, czy guz jest złośliwy, czy nie.
-
Prognoza sprzedaży :
Coraz większa liczba dostawców digitalizuje swoje rekordy, wielu z nich zaczęło korzystać z narzędzi uczenia maszynowego do przewidywania sprzedaży konkretnego towaru w danym tygodniu, aby mogli zgromadzić wystarczającą ilość zapasów. Wprowadzenie Techniki uczenia maszynowego wykorzystywałyby dane wejściowe ze sprzedaży w poprzednim roku dla różnych produktów i znajdowały wzorce dla sezonowych odmian oraz dawały konkretne prognozy dotyczące sprzedaży niektórych produktów. Możemy również zidentyfikować produkty o niskiej skuteczności pod względem sprzedaży.
-
Rozpoznawanie twarzy:
Prawdopodobnie zauważyłeś podczas przesyłania zdjęć na Facebooku, że oznacza to twarze znajomego na jego imiona. W maszynie zaplecza / algorytmy głębokiego uczenia wykonują tę pracę. To samo podstawowe wprowadzenie do zasad uczenia maszynowego stosuje się również do rozpoznawania twarzy, gdzie zasilane są wejściowe obrazy twarzy, a sieci neuronowe są szkolone, aby je klasyfikować.
-
Klasyfikacja tekstu:
Wraz z rosnącą liczbą ludności wchodzącą do Internetu, firmy internetowe / społecznościowe, takie jak Twitter, Facebook, Quora, wprowadziły systemy oparte na klasyfikacji tekstu. Twitter / Quora używa tego do identyfikowania komentarzy / postów z nienawiści. Niektóre firmy informacyjne używają również algorytmów klasyfikacji tekstu do grupowania podobnych artykułów.
-
Interpretacja dźwięku / głosu:
Czy zastanawiałeś się kiedyś, jak urządzenia takie jak Alexa, Siri, Google stają się z dnia na dzień inteligentne, rozumiejąc dane audio w różnych językach z różnymi akcentami. Ogromna ilość danych jest szkolona w tych urządzeniach w celu wprowadzenia do technik uczenia maszynowego, co umożliwia.
-
Systemy wykrywania oszustw:
Systemy wykrywania oszustw oparte na ML są wdrażane przez kilka firm e-commerce w celu identyfikacji klientów tworzących fałszywe zamówienia, a także eliminowania sprzedawców sprzedających podrobione produkty na platformie. Branże bankowe i inne start-upy z branży finansowej polegają w dużej mierze na technikach ML w wykrywaniu transakcji oszustw
-
Silniki rekomendacyjne
Netflix używa ML bez nadzoru do polecania filmów, podczas gdy Amazon używa go do polecania produktów do kupienia.
Zalety
-
Automatyzacja czasochłonnych zadań:
Aplikacje oparte na ML zautomatyzowały kilka zadań, takich jak podejmowanie decyzji na niskim poziomie, wprowadzanie danych, rozmowy telefoniczne, procesy zatwierdzania pożyczek.
-
Cięcie kosztów:
Gdy algorytm zostanie opracowany i wprowadzony do produkcji, może spowodować znaczną oszczędność kosztów, ponieważ praca ludzka i podejmowanie decyzji są minimalne.
-
Czas realizacji:
W przypadku wielu aplikacji najważniejszy jest czas całkowity. ML udało się skrócić czas w domenach, takich jak roszczenia z tytułu ubezpieczenia auto, w których użytkownik przesyła zdjęcia, a kwota ubezpieczenia jest obliczana. Pomógł także firmom e-commerce w obsłudze zwrotów sprzedanych zapasów.
-
Podejmowanie decyzji na podstawie danych:
Nie tylko korporacje, ale także wiele rządów polega na ML przy podejmowaniu decyzji przy podejmowaniu decyzji, w które projekty inwestować i jak optymalnie wykorzystać istniejące zasoby.
Niedogodności
-
Algorytmy ML mogą być stronnicze:
Wiele razy dane wejściowe do algorytmu ML są tendencyjne do konkretnej płci, rasy, kraju, kasty itp. Powoduje to, że algorytmy ML propagują niepożądane uprzedzenia do procesu decyzyjnego. Zaobserwowano to w niektórych aplikacjach, w których wdrożono podobny do ML proces rekrutacji do szkoły / uczelni oraz rekomendacje w mediach społecznościowych.
-
Wymagaj dużych danych, aby osiągnąć akceptowalną dokładność:
Podczas gdy ludzie mogą łatwo uczyć się dla małych zestawów danych, dla niektórych aplikacji wprowadzenie do uczenia maszynowego wymaga ogromnych ilości danych, aby osiągnąć wystarczającą dokładność.
-
Manipuluj decyzją użytkownika:
Niedawno Cambridge Analytica, firma analityczna, wykorzystywała algorytmy ML w mediach społecznościowych, aby kierować i wpływać na decyzje wyborców.
-
Obecnie wprowadzenie do algorytmu uczenia maszynowego może być odpowiednie na przyszłość:
Technika ML wyszkolona na bieżącym zbiorze danych może nie być odpowiednia na przyszłość, ponieważ rozkład danych wejściowych może z czasem ulec znacznej zmianie. Jednym ze środków zaradczych w celu przezwyciężenia tego jest okresowa zmiana modelu.
Polecane artykuły
Jest to przewodnik po wprowadzeniu do uczenia maszynowego. Omówiliśmy uczenie maszynowe z podstawowymi punktami i charakterystyką wprowadzenia do uczenia maszynowego. Możesz także przejrzeć następujące artykuły:
- Techniki uczenia maszynowego
- Uczenie maszynowe a sieć neuronowa
- Kariery w uczeniu maszynowym
- Różnica między uczeniem maszynowym Big Data a maszyną
- Uczenie maszynowe hiperparametrów