Аз съм човек, който е удивен от напредъка, постигнат от хората от трансформиране на инструменти през трансформиране на енергия към трансформиране на информация. „Живея в ерата на информацията.“ за мен се промени на „Живея в епохата на претоварване с информация“. Преминаваме от управление на знанието към управление на данни. Обработката на данни и извличането на информация сега е мания и дължим много на машинното обучение.

„Разгледайте пътуването, извършено от машинното обучение от 1950 г. насам.“

Ерата на машинното обучение (ML) датира от 1949 г., когато Уолтър Питс и Уорън МакКълокпредставиха първия си математически модел на невронни мрежи. Пътуването е дълго и продължава. В следващите си публикации ще обобщя различните аспекти на този удивителен изкуствен интелект (AI), наречен ML, който кара компютрите да се учат от примери, данни и опит.

Но преди да се задълбочим в машинното обучение, нека да разгледаме какво е AI, но не и ML. Чували ли сте за SHINE, експертна система, използвана в НАСА? Интелигентните възможности на AI се използват в широк спектър от индустрии. Експертните системи (базирана на правила експертна система, базирана на рамка експертна система, размита експертна система, невронна експертна система и невро-размита експертна система) са AI софтуер и са добри примери за AI, които не са ML. Знаете ли, че има дефинирани три типа AI, а именно. Изкуствен тесен интелект (ANI), Изкуствен общ интелект (AGI) и Изкуствен супер интелект (ASI)? И ANI е единственото ниво на AI, постигнато от човечеството досега!

С машинното обучение, водещо епохата на информацията, AGI може да е точно зад ъгъла! Кой знае!

Нека преместим фокуса си върху машинното обучение. Машинното обучение има за цел да направи системите интелигентни, като ги накара да се учат от данни. Вместо да инструктира системата чрез писане на кодове за идентифициране на ябълки и манго, ML обучава системите на голямо количество данни, което означава огромен брой изображения, съдържащи етикетирани ябълки и манго. С богатството от данни, предоставени в дигиталния свят, и напредъка, постигнат в компютърните технологии, ML блести както никога досега.

Има контролирани, неконтролирани и алгоритми за обучение с подсилване, за които да говорим в машинното обучение.

  1. Алгоритмите за контролирано обучение научават функцията, която преобразува вход в изход. Алгоритмите използват етикетирани данни. За проблеми с класификацията разполагаме с линейни класификатори, опорни векторни машини (SVM), дървета на решенията, k-най-близък съсед и произволна гора. Очевидно списъкът не е изчерпателен. За проблеми с регресия имаме линейна регресия, логистична регресия и полиномна регресия.
  2. Алгоритмите за неконтролирано обучениеизползват немаркирани данни. Алгоритмите сами откриват модели и помагат за решаването на проблеми с групирането или асоциирането. K-означава групиране, априорен алгоритъм, анализ на главните компоненти, декомпозиция на сингулярна стойност и анализ на независими компоненти.
  3. Обучението с подсилване е тип алгоритъм с обратна връзка. Алгоритъмът се възнаграждава въз основа на получената обратна връзка и алгоритъмът се учи и подобрява бъдещи резултати.

Повече по тази тема в следващите публикации.

ще се видим