Uvod v strojno učenje
Strojno učenje (ML) je umetnost razvijanja algoritmov brez izrecnega programiranja. V zadnjih dveh desetletjih so bili pridobljeni podatki iz podatkov in večina industrij je bila v celoti digitalizirana. Te obstoječe podatke algoritmi strojnega učenja (ML) uporabljajo za razvoj prediktivnih modelov in avtomatizacijo več zamudnih nalog.
Poglejmo, kako se algoritmi ML razlikujejo od programiranih algoritmov, ki temeljijo na logiki:
Za algoritem, ki temelji na logiki, je pretok dobro opredeljen in vnaprej znan, vendar obstaja več resničnih scenarijev (na primer klasifikacija slik), kjer logike ni mogoče določiti. Strojno učenje se je v takih primerih izkazalo za izjemno koristno. Tehnike strojnega učenja prevzamejo vhodne parametre in pričakovane referenčne izhodne podatke in ustvarijo logiko, ki se nato uporabi v proizvodnji.
Glavni sestavni deli uvoda v strojno učenje:
Strojno učenje je razdeljeno na naslednje kategorije:
1. Nadzorovano strojno učenje
Nadzirani algoritem ML prevzame vhodne podatke (funkcije) skupaj z izhodno označenimi podatki na vhodu. Večinoma se uporabljajo za klasifikacijske in regresijske naloge.
Razvrstitev:
- Odločba o upravičenosti do posojila : avtomatizirajte postopek odobritve posojila z uporabo preteklih podatkov, ki imajo parametre, kot so starost, dohodek, izobrazba, mesto itd.
Regresija:
- Napoved cene hiše : Predvidejte ceno hiše z uporabo funkcij, kot so velikost hiše, starost hiše, število sob, kraj itd.
2. Nenadzorovano strojno učenje
Nenadzorovane tehnike ML ne zahtevajo nobenih označenih podatkov in se uporabljajo za združevanje podatkov v različne segmente na podlagi vhodnih funkcij.
Primer: Če želite razdeliti skupino 100 ljudi na 5 skupin, lahko vhodne funkcije vključujejo interese, hobije, socialne povezave itd.
Uporaba strojnega učenja
V zadnjem desetletju je uvedba strojnega učenja preoblikovala več industrij, vključno z zdravstvom, socialnimi mediji, digitalnim trženjem, nepremičninami, logistiko, dobavno verigo in proizvodnjo. Zgodnji uporabniki v teh panogah so že prinesli znaten dobiček. Vedno večje je povpraševanje po kvalificirani delovni sili s strojnim učenjem in domenskim znanjem.
Sledi nekaj aplikacij, pri katerih so tehnike ML igrale pomembno vlogo:
-
Klasifikacija neželene pošte:
Če želite pošto razvrstiti med neželeno / neželeno pošto z označenimi odgovori z uporabo podatkov, kot so vsebina sporočil, uporaba besedišča, ki se uporablja v promocijskih e-poštnih sporočilih, pošiljateljev e-poštni naslov, IP pošiljatelja, uporaba hiperpovezav, ločila števil itd.
-
Zaznavanje raka:
ML se vedno pogosteje uporablja v zdravstvu za diagnozo in celo za odkrivanje raka z uporabo medicinskih podatkov za prejšnje bolnike. Za odkrivanje raka dojke algoritem vadbe kot vhod vnese podatke, kot so velikost tumorja, polmer, ukrivljenost in obod. Na izhodu dobimo verjetnost, če je tumor maligni ali ne.
-
Prodajno napoved :
Vse več prodajalcev digitalizira svoje zapise, mnogi med njimi so začeli uporabljati orodja za strojno učenje za napovedovanje prodaje določenega izdelka v določenem tednu, tako da lahko založijo zadostno količino zalog. Uvod V tehnike strojnega učenja bi lahko vložili podatke o prodaji izdelkov za preteklo leto in poiskali vzorce sezonskih sprememb in podali posebne napovedi za prodajo določenih izdelkov. Prav tako lahko identificiramo tudi nizko uspešne izdelke glede prodaje.
-
Prepoznavanje obrazov:
Verjetno ste med nalaganjem slik na Facebook verjetno opazili, da na svojih imenih označuje obraze prijatelja. V zalednem stroju / algoritmi za globoko učenje opravljajo to nalogo. Enak temeljni uvod v načela strojnega učenja se uporablja tudi za prepoznavanje obrazov, kjer se vhodne slike obraza napajajo in nevronske mreže so usposobljene za razvrščanje teh slik.
-
Klasifikacija besedila:
Z naraščajočim številom prebivalstva na spletu je za podjetja na spletnih straneh / družbenih medijih, kot so Twitter, Facebook, Quora, postalo obvezno uporabljati sisteme, ki temeljijo na klasifikaciji besedil. Twitter / Quora to uporablja za prepoznavanje sovražnih komentarjev / objav. Nekatere novice uporabljajo tudi algoritme za razvrščanje besedil za skupino člankov, ki so podobni.
-
Zvočna / glasovna interpretacija:
Se kdaj vprašajte, kako naprave, kot so Alexa, Siri, Google, iz dneva v dan postajajo inteligentne pri razumevanju zvočnih podatkov v različnih jezikih z različnimi poudarki. Ogromna količina podatkov je usposobljena v teh napravah za uvajanje v tehnike strojnega učenja, kar omogoča.
-
Sistemi za odkrivanje goljufij:
Sistemi za odkrivanje goljufij na podlagi ML uporabljajo več podjetij za e-trgovino, da prepoznajo stranke, ki ustvarjajo ponarejena naročila, in tudi odpravijo prodajalce, ki prodajajo ponarejene izdelke na platformi. Bančne industrije in zagoni drugih finančnih tehnologij se pri odkrivanju transakcij goljufij večinoma zanašajo na tehnike ML
-
Priporočljivi motorji
Netflix uporablja nepodprto ML za priporočilo filmov, medtem ko Amazon uporablja za priporočilo izdelkov za nakup.
Prednosti
-
Samodejno zamudno opravilo:
Aplikacije, ki temeljijo na ML, so avtomatizirale več nalog, kot so sprejemanje odločitev na nizki ravni, vnos podatkov, telefoniranje, odobritev posojila.
-
Zmanjšati stroške:
Ko je algoritem razvit in ga začne proizvajati, lahko to znatno prihrani, saj sta človeška delovna sila in odločanje minimalna.
-
Čas obratovanja:
Za veliko aplikacij je skupni čas izjemnega pomena. ML je lahko zmanjšala čas na področjih, kot so zahtevki za avtomobilsko zavarovanje, kjer uporabnik naloži slike in izračuna zavarovalni znesek. Pomagala so tudi podjetjem za e-trgovino pri ravnanju s prodajo zalog.
-
Sprejemanje odločitev na podlagi podatkov:
Pri odločanju v katere projekte vlagati in kako optimalno izkoristiti obstoječe vire, se ML zanašajo na ML.
Slabosti
-
ML algoritmi so lahko pristranski:
Mnogokrat so vhodni podatki v algoritem ML odvisni od določenega spola, rase, države, Caste itd. To povzroča, da algoritmi ML razširjajo neželeno pristranskost v postopek odločanja. To so opazili v nekaterih aplikacijah, ki so uporabile ML kot postopek sprejema v šolo / fakulteto in priporočila za družbene medije.
-
Za doseganje sprejemljive natančnosti zahtevajte velike podatke:
Medtem ko se ljudje lahko preprosto naučijo majhnih nizov podatkov, za nekatere aplikacije uvajanje v strojno učenje zahteva ogromno količino podatkov, da se doseže zadostna natančnost.
-
Manipuliranje uporabniške odločitve:
Pred kratkim, analitično podjetje Cambridge Analytica, je na družbenih medijih uporabljalo algoritme ML za ciljanje in vplivanje na odločitev volivcev.
-
Trenutno je uvod v algoritem strojnega učenja morda primeren za prihodnost:
Tehnika ML, usposobljena na trenutnem naboru podatkov, morda ni primerna za prihodnost, saj se lahko razdelitev vhoda sčasoma bistveno spremeni. Eden od protiukrepov za premagovanje tega je občasno usposabljanje modela.
Priporočeni članki
To je vodnik za Uvod v strojno učenje. Tu smo razpravljali o strojnem učenju z osnovnimi točkami in značilnostmi uvoda v strojno učenje. Ogledate si lahko tudi naslednje članke:
- Tehnike strojnega učenja
- Strojno učenje proti nevronski mreži
- Kariere v strojnem učenju
- Razlika med velikim podatkovnim računalniškim učenjem
- Strojno učenje hiperparametrov