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:

  1. Techniki uczenia maszynowego
  2. Uczenie maszynowe a sieć neuronowa
  3. Kariery w uczeniu maszynowym
  4. Różnica między uczeniem maszynowym Big Data a maszyną
  5. Uczenie maszynowe hiperparametrów

Kategoria:

Porady Excel