Introducere în învățarea mașinilor
Învățarea automată (ML) este o artă de a dezvolta algoritmi fără a programa în mod explicit. În ultimele două decenii, exabytes de date au fost generate și majoritatea industriilor au fost complet digitalizate. Aceste date existente sunt utilizate de algoritmii de învățare automată (ML) pentru a dezvolta modele predictive și a automatiza mai multe sarcini care consumă mult timp.
Să vedem cum diferă algoritmii ML de algoritmii programați pe baza Logicului:
Pentru un algoritm bazat pe logică, fluxul este bine definit și cunoscut în avans, însă există mai multe scenarii din viața reală (cum ar fi clasificarea imaginii) în care logica nu poate fi definită. În astfel de cazuri, învățarea mașinii s-a dovedit a fi extrem de utilă. Tehnicile de învățare automată iau parametrii de intrare și datele de ieșire de referință preconizate și generează logică care este apoi implementată în producție.
Principalele componente ale introducerii în învățarea mașinii:
Învățarea automată este subdivizată în următoarele categorii:
1. Învățarea mașinii supravegheate
Algoritmul ML supravegheat preia date de intrare (caracteristici) împreună cu date etichetate de ieșire la intrare. Sunt utilizate mai ales pentru sarcini de clasificare și regresie.
Clasificare:
- Decizia de eligibilitate a împrumutului : automatizarea procesului de aprobare a împrumutului folosind date anterioare care au parametri precum vârsta, venitul, educația, orașul, etc. pentru a decide dacă împrumutul solicitantului poate fi aprobat.
regresie:
- Previziunea prețului casei : previzionați prețul locuinței folosind caracteristici precum dimensiunea casei, vârsta casei, numărul de camere, localitatea etc.
2. Învățarea mașinii nesupravegheate
Tehnicile ML nesupervizate nu necesită date etichetate și sunt utilizate pentru gruparea datelor în diferite segmente bazate pe caracteristici de intrare.
Exemplu: Pentru a separa un grup de 100 de persoane în 5 grupuri, caracteristicile de intrare pot include interese, hobby-uri, conexiuni sociale etc.
Aplicații ale învățării automate
În ultimul deceniu, introducerea în învățarea mașinilor a transformat mai multe industrii, inclusiv asistența medicală, social media, marketing digital, imobiliare, logistică, lanț de furnizare și producție. Primii jucători din aceste industrii au câștigat deja profituri semnificative. Există o cerere din ce în ce mai mare pentru o forță de muncă calificată, cu învățare automată împreună cu cunoștințe de domeniu.
Urmează câteva aplicații în care tehnicile ML au jucat un rol semnificativ:
-
Clasificare prin spam-uri:
Pentru a clasifica e-mailul ca spam / nu spam folosind răspunsuri etichetate cu utilizarea datelor cum ar fi conținutul mesajelor, utilizarea vocabularului utilizat în e-mailurile promoționale, adresa de e-mail a expeditorului, IP-ul expeditorului, utilizarea hyperlink-urilor, punctuațiile de număr etc.
-
Detectarea cancerului:
ML este din ce în ce mai utilizat în asistența medicală pentru diagnostic și chiar pentru detectarea cancerului folosind date medicale pentru pacienții anteriori. Pentru detectarea cancerului de sân, algoritmul de antrenament ia inputuri precum dimensiunea tumorii, raza, curbură și perimetrul ca intrare. La ieșire, avem probabilitatea dacă tumora este malignă sau nu.
-
Predicția vânzărilor :
Un număr tot mai mare de vânzători își digitalizează înregistrările, mulți dintre ei au început să folosească instrumente de învățare automată pentru a prezice vânzările articolului special într-o săptămână dată, astfel încât să poată stoca o cantitate suficientă de inventar. Introducere Pentru tehnicile de învățare automată, ar fi nevoie de contribuții din vânzările din anul precedent pentru diferite articole și ar putea găsi modele pentru variații sezoniere și ar oferi previziuni specifice pentru vânzarea anumitor articole. De asemenea, putem identifica articole cu performanțe reduse în ceea ce privește vânzările.
-
Recunoaștere facială:
Probabil ați observat în timp ce încărcați imagini pe Facebook că etichetează fețele prietenului dvs. pe numele lor. În sistemul de backend / algoritmii de învățare profundă fac acest lucru. Aceeași introducere fundamentală a principiilor învățării automate este utilizată și pentru recunoașterea feței, unde imaginile feței de intrare sunt alimentate și rețelele neuronale sunt instruite pentru clasificarea acestor imagini.
-
Clasificarea textului:
Odată cu creșterea populației venind online, a devenit obligatoriu pentru site-uri web / companii de social media, cum ar fi Twitter, Facebook, Quora, să implementeze sisteme bazate pe clasificare text. Twitter / Quora folosește acest lucru pentru a identifica comentariile / postările de ură. Unele companii de știri folosesc, de asemenea, algoritmi de clasificare a textului pentru a grupa articole de știri care sunt similare.
-
Interpretare audio / vocală:
Ne-am întrebat vreodată cum dispozitive precum Alexa, Siri, Google devin zi de zi inteligente în înțelegerea datelor audio în diferite limbi cu accente diferite. O cantitate imensă de date este instruită în aceste dispozitive pentru introducerea în tehnicile de învățare automată, ceea ce face posibilă.
-
Sisteme de detectare a fraudei:
Sistemele de detectare a fraudei bazate pe ML sunt implementate de mai multe companii de comerț electronic pentru a identifica clienții care creează comenzi false și, de asemenea, elimină furnizorii care vând produse contrafăcute pe platformă. Industriile bancare și alte startup-uri de tehnologie financiară se bazează foarte mult pe tehnicile ML pentru a detecta tranzacțiile cu fraude
-
Motoare de recomandare
Netflix folosește ML nesupravegheat pentru a recomanda filme în timp ce Amazon îl folosește pentru a recomanda produsele pentru a cumpăra.
avantaje
-
Automatizarea sarcinilor care consumă timp:
Aplicațiile bazate pe ML au automatizat mai multe sarcini, cum ar fi procesul de luare a deciziilor la nivel scăzut, introducerea datelor, tele-apeluri, procese de aprobare a creditului.
-
Reducerea costurilor:
Odată ce algoritmul este dezvoltat și pus în producție, poate provoca economii semnificative de costuri, deoarece munca umană și luarea deciziilor sunt minime.
-
Timpul de cotizare:
Pentru o mulțime de aplicații, timpul total este extrem de important. ML a reușit să reducă timpul în domenii precum cererile de asigurări auto în care utilizatorul încarcă imagini și se calculează valoarea asigurării. De asemenea, a ajutat companiile de comerț electronic în gestionarea returnărilor stocurilor vândute.
-
Luarea deciziilor bazate pe date:
Nu numai corporațiile, dar o mulțime de guverne se bazează pe ML pentru a lua decizii în a decide în ce proiecte să investească și cum să utilizeze optim resursele existente.
Dezavantaje
-
Algoritmii ML pot fi părtași:
De multe ori, datele de intrare la algoritmul ML sunt părtinitoare la un gen specific, Rasă, Țară, Caste etc. Acest lucru duce la algoritmii ML propagând prejudecăți nedorite în procesul de luare a deciziilor. Acest lucru a fost observat în unele aplicații care au desfășurat procesul de admitere la școală / colegiu precum ML și recomandări în social media.
-
Necesită date mari pentru a obține o precizie acceptabilă:
În timp ce oamenii pot învăța cu ușurință pentru seturi de date mici, pentru unele aplicații, introducerea în învățare automată necesită cantități imense de date pentru a obține o precizie suficientă.
-
Manipulează decizia utilizatorului:
Recent, Cambridge Analytica, o firmă de analiză a folosit algoritmi ML pe social media pentru a viza și influența decizia alegătorilor.
-
În prezent, introducerea algoritmului de învățare automată poate fi potrivită pentru viitor:
Tehnica ML instruită pe setul de date actual poate să nu fie potrivită pentru viitor, deoarece distribuția de intrare se poate schimba semnificativ în timp. Una dintre contramăsura pentru a depăși acest lucru este re-instruirea modelului periodic.
Articole recomandate
Acesta a fost un ghid pentru Introducere în învățarea mașinii. Aici am discutat despre învățarea mașinii cu punctele și caracteristicile de bază ale introducerii în învățarea mașinii. De asemenea, puteți consulta următoarele articole:
- Tehnici de învățare a mașinilor
- Învățare de mașini și rețea neuronală
- Cariere în învățarea mașinilor
- Diferența dintre Big Data Vs Learning Machine
- Hyperparameter Machine Learning