Алгоритмите за машинно обучение намират и прилагат модели в данните. Алгоритмите за machine learning са отговорни за по-голямата част от напредъка и приложенията в областта на изкуствения интелект, за които чувате.
Какво е определението за machine learning?
Алгоритмите за машинно обучение използват статистика за намиране на модели в огромни количества данни. А данните тук обхващат много неща, числа, думи, изображения, кликвания или общо взето каквото имате. Ако може да се съхранява цифрово, може да се въведе в алгоритъм за машинно обучение.
Машинното обучение е процесът, който захранва много от услугите, които използваме днес. От препоръчителни системи като тези в Netflix, YouTube и Spotify; търсачки като Google и Baidu; емисии за социални медии като Facebook и Twitter; гласови асистенти като Siri и Alexa.
Във всички тези случаи всяка платформа събира възможно най-много данни за вас: какви жанрове обичате да гледате, какви връзки кликвате, на кои състояния реагирате и използвайки machine learning, за да направите високообразовано предположение за това, което може да иска следващия ползвател. Или, в случай на гласов асистент, за това кои думи съвпадат най-добре със звуците излизащи от устата ви.
Честно казано, този процес е доста основен и се описва като – намерете шаблона, приложете шаблона. Въпреки това, машинното обучение почти управлява света. Това е до голяма степен благодарение на изобретение през 1986 г., с любезното съдействие на Джефри Хинтън, днес известен като бащата на дълбокото обучение (deep learning).
Какво е deep learning?
Deep learning е machine learning на стероиди: използва техника, която дава на машините подобрена способност да намират и усилват дори и най-малките модели. Тази техника се нарича дълбока невронна мрежа. Дълбока, защото има много слоеве от прости изчислителни възли, които работят заедно, за да преглеждат данни и да предоставят краен резултат под формата на прогноза.
Какво представляват невронните мрежи?
Невронните мрежи са били смътно вдъхновени от вътрешната работа на човешкия мозък. Възлите са нещо като неврони, а мрежата е нещо като самия мозък. (За изследователите сред вас, които потрепват от това сравнение: Престанете да критикувате аналогията, защото е добра.) Но Хинтън публикува своя пробивен документ в момент, когато невронните мрежи са били излезли от модата. Никой наистина не е знаел как да ги обучава, така че те не са дали добри резултати. Бяха необходими почти 30 години, за да се върне техниката на невронните мрежи.
Какво е контролирано обучение?
Последно нещо, което трябва да знаете е: машинното (и задълбочено) обучение се предлага в три вида: контролирано, без надзор и подкрепено. В контролираното обучение, коеото е най-разпространеното, данните се обозначават, за да кажат на машината точно какви модели трябва да търси. Мислете за това като за нещо като куче-търсач, което ще преследва мишени, след като разбере аромата, който търси. Това правите, когато натиснете play в предаване на Netflix – казвате на алгоритъма да намери подобни предавания.
Какво е обучение без надзор?
При обучение без надзор данните нямат етикети. Машината просто търси каквито и модели да намери. Това е все едно да оставите кучето да помирише тонове различни предмети и да ги сортирате в групи с подобни миризми. Техниките без надзор не са толкова популярни, защото имат по-малко очевидни приложения. Интересното е, че те са придобили популярност в киберсигурността.
Какво е reinforcement learning (подкрепено обучение)?
И накрая, имаме подкрепено обучение (reinforcement learning), най-новата граница на machine learning. Алгоритъмът за подсилване се учи чрез опити и грешки, за да постигне ясна цел. Той изпробва много различни неща и бива възнаграден или наказан в зависимост от това дали поведението му помага или му пречи да постигне целта си. Това е като даването и удържането на лакомства, когато научите кучето на нов трик. Обучението за подсилване е в основата на Google AlphaGo, програмата, която победи най -добрите човешки играчи в сложната игра Go.
Прочетет повече за Дигиталните умения