Я из тех, кто поражен прогрессом, достигнутым людьми от преобразования инструментов до преобразования энергии в преобразование информации. «Я живу в век информации». для меня изменилось на «Я живу в век информационной перегрузки». Мы переходим от управления знаниями к управлению данными. Обработка данных и извлечение информации сейчас в моде, и мы многим обязаны машинному обучению.

Взгляните на путь машинного обучения, проделанный с 1950 года.

Эра машинного обучения (МО) началась в 1949 году, когда Уолтер Питтс и Уоррен МакКаллох представили свою первую математическую модель нейронных сетей. Путешествие долгое и продолжающееся. В своих последующих постах я обобщу различные аспекты этого удивительного искусственного интеллекта (ИИ), называемого ML, который заставляет компьютеры учиться на примерах, данных и опыте.

Но прежде чем углубиться в машинное обучение, давайте посмотрим, что такое ИИ, а не машинное обучение. Вы слышали о SHINE, экспертной системе, используемой в НАСА? Интеллектуальные возможности ИИ используются в самых разных отраслях. Экспертные системы (экспертная система на основе правил, экспертная система на основе фреймов, нечеткая экспертная система, нейронная экспертная система и нейро-нечеткая экспертная система) представляют собой программное обеспечение ИИ и являются хорошими примерами ИИ, которые не являются машинным обучением. Знаете ли вы, что существует три типа ИИ, а именно. Искусственный узкий интеллект (ANI), искусственный общий интеллект (AGI) и искусственный суперинтеллект (ASI)? А АНИ — это пока единственный уровень ИИ, достигнутый человечеством!

С машинным обучением, стоящим во главе века информации, ОИИ может быть уже не за горами! Кто знает!

Давайте переключим наше внимание на ML. Машинное обучение призвано сделать системы интеллектуальными, заставляя их учиться на данных. Вместо того, чтобы инструктировать систему путем написания кодов для идентификации яблок и манго, машинное обучение обучает системы на большом количестве данных, что означает огромное количество изображений, содержащих помеченные яблоки и манго. Благодаря огромному количеству данных, доступных в цифровом мире, и достижениям в области компьютерных технологий машинное обучение сияет как никогда раньше.

В машинном обучении есть алгоритмы обучения с учителем, без учителя и с подкреплением.

  1. Алгоритмы обучения с учителем изучают функцию, которая преобразует входные данные в выходные. Алгоритмы используют размеченные данные. Для задач классификации у нас есть линейные классификаторы, машины опорных векторов (SVM), деревья решений, метод k-ближайшего соседа и случайный лес. Очевидно, что список не является исчерпывающим. Для задач регрессии у нас есть линейная регрессия, логистическая регрессия и полиномиальная регрессия.
  2. Алгоритмы обучения без учителяиспользуют немаркированные данные. Алгоритмы самостоятельно обнаруживают закономерности и помогают решать проблемы кластеризации или ассоциации. Кластеризация K-средних, априорный алгоритм, анализ основных компонентов, разложение по сингулярным значениям и анализ независимых компонентов.
  3. Обучение с подкреплением — это алгоритм с обратной связью. Алгоритм вознаграждается на основе полученных отзывов, а алгоритм учится и улучшает будущие результаты.

Подробнее на эту тему в следующих постах.

Увидимся.