Увод у машинско учење

Машинско учење (МЛ) је вештина развијања алгоритама без изричитог програмирања. У протекле две деценије генерирани су егзабати података и већина индустрија је у потпуности дигитализована. Ови постојећи подаци користе алгоритми машинског учења (МЛ) за развој предиктивних модела и аутоматизацију неколико дуготрајних задатака.

Погледајмо како се МЛ алгоритми разликују од програмираних алгоритама заснованих на логици:

За алгоритам заснован на логици проток је добро дефинисан и унапред познат, али постоји неколико сценарија стварног живота (као што је класификација слика) где се логика не може дефинисати. У таквим се случајевима машинско учење показало као изузетно корисно. Технике машинског учења узимају улазне параметре и очекиване референтне излазне податке и генеришу логику која се тада распоређује у производњу.

Главне компоненте увода у машинско учење:

Машинско учење је подељено у следеће категорије:

1. Надзирано машинско учење

Надзирани МЛ алгоритам узима улазне податке (карактеристике) заједно с излазним подацима означеним на улазу. Најчешће се користе за задатке класификације и регресије.

Класификација:

  • Одлука о прихватљивости зајма : Аутоматизирајте поступак одобравања зајма користећи претходне податке који имају параметре као што су старост, приход, образовање, град итд. Како би се одлучило да ли се зајам може одобрити.

Регресија:

  • Предвиђање цијене кућа : Предвидите цијену куће користећи значајке као што су величина куће, старост куће, број соба, локалитет, итд.

2. Ненадзоровано машинско учење

Технике неподржаних МЛ не захтевају никакве обележене податке и користе се за кластерирање података у различите сегменте на основу улазних функција.

Пример: Да бисте одвојили групу од 100 људи у 5 група, функције уноса могу да укључују интересе, хобије, друштвене везе итд.

Примене машинског учења

У последњој деценији увођење у машинско учење трансформисало је неколико индустрија, укључујући здравство, социјалне медије, дигитални маркетинг, некретнине, логистику, ланац снабдевања и производњу. Рани покретачи ових индустрија већ су донијели значајне зараде. Расте потражња за квалификованом радном снагом са машинским учењем, заједно са знањем о домену.

Следи неколико апликација у којима су МЛ технике играле значајну улогу:

  • Класификација нежељене поште:

Да бисте пошту класифицирали као нежељену / нежељену пошту помоћу означених одговора помоћу података као што су садржај поруке, употреба вокабулара који се користи у промотивним е-порукама, адреса е-поште пошиљатеља, ИП адреса пошиљатеља, употреба хипервеза, интерпункцијских бројева итд.

  • Детекција рака:

МЛ се све више користи у здравству за дијагнозу, па чак и за откривање рака користећи медицинске податке за претходне пацијенте. За откривање рака дојке, алгоритам тренинга уноси уносе као што су величина тумора, радијус, закривљеност и обод. На излазу добијамо вероватноћу да ли је тумор злоћудан или не.

  • Продајно предвиђање :

Све већи број добављача дигитализује своје евиденције, многи од њих су почели да користе алате за машинско учење да би предвиђали продају одређеног артикла у одређеној недељи, тако да могу да залихе довољну количину залиха. Увод Технике машинског учења узеле би улаз из претходне године продаје различитих предмета и пронашле обрасце за сезонске варијације и дале специфична предвиђања за продају одређених предмета. Такође можемо да идентификујемо ниско перформансе у погледу продаје.

  • Препознавање лица:

Вероватно сте приметили док сте постављали слике на Фацебоок како он означава лица вашег пријатеља њиховим именима. У помоћној машини / алгоритми дубоког учења раде овај посао. Исти основни увод у принципе машинског учења користи се и за препознавање лица, при чему се улазне слике лица увлаче, а неуронске мреже се обучавају да класификују ове слике.

  • Класификација текста:

Са повећањем броја становништва који стижу на мрежу, постало је обавезно за компаније за веб / друштвене медије као што су Твиттер, Фацебоок, Куора да примене системе засноване на класификацији текста. Твиттер / Куора користи ово да идентификује коментаре / постове мржње. Неке новинске компаније такође користе алгоритме за класификацију текста за груписање чланака који су слични.

  • Интерпретација звука и гласа:

Икад се запитате како уређаји попут Алека, Сири, Гоогле из дана у дан постају интелигентни у разумевању аудио података на различитим језицима са различитим акцентима. Огромна количина података је обучена на овим уређајима за увођење у технике машинског учења, што омогућава.

  • Системи за откривање преваре:

Системи за откривање превара засновани на МЛ-у имплементирају неколико компанија за е-трговину како би идентифицирали купце који стварају лажне поруџбине и елиминирали добављаче који продају кривотворене производе на платформи. Банковне индустрије и стартапови других финансијских технологија увелико се ослањају на МЛ технике за откривање трансакција превара

  • Мотори са препоруком

Нетфлик користи неподржани МЛ за препоруку филмова док Амазон користи да препоручи производе за куповину.

Предности

  • Аутоматизирајте дуготрајне задатке:

МЛ-ове апликације су аутоматизовале неколико задатака попут доношења одлука на ниском нивоу, уноса података, теле-позивања, процеса одобрења зајма.

  • Уштеда трошкова:

Једном када се алгоритам развије и стави у производњу, он може довести до значајних уштеда трошкова јер су људски рад и доношење одлука минимални.

  • Смањено:

За пуно примене, укупно време је од највеће важности. МЛ је успео да скрати време у доменама као што су потраживања од ауто осигурања где корисник поставља слике и израчунава износ осигурања. Такође је помогло компанијама за е-трговину у управљању повратима проданих залиха.

  • Доношење одлука засновано на подацима:

Не само корпорације, већ се и многе владе ослањају на МЛ да би одлучивале у које пројекте треба уложити и како оптимално искористити постојеће ресурсе.

Недостаци

  • МЛ алгоритми могу бити пристрасни:

Много времена, улазни подаци у МЛ алгоритам пристрасни су одређеном роду, раси, земљи, касти итд. То резултира у МЛ алгоритмима који пропагирају нежељену пристраност у процесу доношења одлука. Ово је примећено у неким апликацијама које су примењивале процес пријема у школу на факултете и препоруке за друштвене медије.

  • Захтевајте велике податке да бисте постигли прихватљиву тачност:

Иако људи могу лако да уче за мале скупове података, за неке апликације увођење у машинско учење захтева огромне количине података да би се постигла довољна тачност.

  • Манипулирајте корисничку одлуку:

Недавно аналитичка компанија Цамбридге Аналитица користила је МЛ алгоритме на друштвеним медијима да би циљала и утицала на одлуку бирача.

  • Тренутно је увођење у алгоритам машинског учења можда погодно за будућност:

Техника МЛ обучена на тренутном скупу података можда није баш прикладна за будућност јер се дистрибуција улаза током времена може значајно мењати. Једна од контрамера да се то превазиђе је периодично оспособљавање модела.

Препоручени чланци

Ово је водич за Увод у машинско учење. Овде смо расправљали о Машинском учењу са основним поенима и карактеристикама Увода у машинско учење. Такође можете погледати следеће чланке:

  1. Технике машинског учења
  2. Машинско учење и неуронска мрежа
  3. Каријере у машинском учењу
  4. Разлика између великих података против машинског учења
  5. Машинско учење хиперпараметра

Категорија:

Екцел савети