Машыннае навучанне (ML) - гэта падполе штучнага інтэлекту (AI), якое засяроджана на распрацоўцы алгарытмаў і мадэляў, якія дазваляюць кампутарам вучыцца і рабіць прагнозы або рашэнні без відавочнага праграмавання. Алгарытмы ML прызначаны для аналізу і інтэрпрэтацыі складаных заканамернасцей і сувязей у даных, а затым для выкарыстання гэтых ведаў, каб рабіць абгрунтаваныя прагнозы або прымаць меры.
Па сваёй сутнасці, ML прадугледжвае стварэнне матэматычных мадэляў, якія могуць вучыцца на дадзеных і паляпшаць іх прадукцыйнасць з часам. Гэтыя мадэлі навучаюцца з выкарыстаннем вялікіх аб'ёмаў пазначаных даных, у якіх вядомы жаданы вынік або вынік. Аналізуючы гэтыя даныя, алгарытмы ML могуць ідэнтыфікаваць заканамернасці і ўзаемасувязі, якія дазваляюць абагульніць свае веды і зрабіць дакладныя прагнозы на новых, нябачных дадзеных.
Ёсць некалькі тыпаў алгарытмаў ML, кожны з якіх мае свае моцныя бакі і прымяненне. Кантраляванае навучанне з'яўляецца агульным падыходам, калі алгарытм навучаецца з выкарыстаннем пазначаных даных, што азначае, што жаданы вынік прадастаўляецца разам з уваходнымі данымі. Напрыклад, у сістэме класіфікацыі электроннай пошты са спамам алгарытм будзе навучацца з выкарыстаннем набору даных лістоў, пазначаных як спам ці не як спам. Аналізуючы характарыстыкі гэтых электронных лістоў, алгарытм можа навучыцца адрозніваць дзве катэгорыі і адпаведна класіфікаваць новыя, нябачаныя электронныя лісты.
Навучанне без нагляду, з іншага боку, прадугледжвае навучанне алгарытмаў на немаркіраваных дадзеных, дзе жаданы вынік невядомы. Мэта складаецца ў тым, каб выявіць схаваныя шаблоны або структуры ў дадзеных. Алгарытмы кластарызацыі, напрыклад, могуць згрупаваць падобныя кропкі даных на аснове іх функцый або характарыстык. Гэта можа быць карысна пры сегментацыі кліентаў, калі алгарытм можа ідэнтыфікаваць асобныя групы кліентаў з падобнымі перавагамі або паводзінамі.
Яшчэ адзін важны тып алгарытму ML - навучанне з падмацаваннем. Пры такім падыходзе агент вучыцца ўзаемадзейнічаць з навакольным асяроддзем і максымізаваць сігнал узнагароды, выконваючы дзеянні. Агент атрымлівае зваротную сувязь у выглядзе ўзнагароджання або штрафу на аснове сваіх дзеянняў, і выкарыстоўвае гэтую зваротную сувязь для вывучэння аптымальнай палітыкі або стратэгіі. Навучанне з падмацаваннем паспяхова прымяняецца ў розных галінах, такіх як робататэхніка і гульні. Напрыклад, AlphaGo, распрацаваны DeepMind, выкарыстаў навучанне з падмацаваннем, каб перамагчы чэмпіёна свету гульца Go.
Алгарытмы ML таксама можна класіфікаваць на аснове іх стылю навучання. Пакетнае навучанне прадугледжвае навучанне алгарытму на фіксаваным наборы даных, а затым выкарыстанне вывучанай мадэлі для прагназавання новых даных. Інтэрнэт-навучанне, з іншага боку, дазваляе алгарытму пастаянна абнаўляць сваю мадэль па меры з'яўлення новых даных. Гэта асабліва карысна ў сцэнарыях, калі даныя дынамічныя і змяняюцца з цягам часу.
ML мае шырокі спектр прымянення ў розных галінах. У ахове здароўя алгарытмы ML могуць аналізаваць медыцынскія выявы для выяўлення захворванняў або прагназавання наступстваў пацыентаў. У сферы фінансаў ML можна выкарыстоўваць для выяўлення махлярства, прагназавання фондавага рынку і крэдытнага скоринга. ML таксама выкарыстоўваецца ў рэкамендацыйных сістэмах, такіх як тыя, якія выкарыстоўваюцца інтэрнэт-крамамі і струменевымі сэрвісамі, каб персаналізаваць кантэнт і палепшыць карыстацкі досвед.
ML - гэта падполе штучнага інтэлекту, якое засяроджваецца на распрацоўцы алгарытмаў і мадэляў, якія могуць вучыцца на дадзеных і рабіць прагнозы або прымаць рашэнні. Ён уключае навучальныя мадэлі з выкарыстаннем пазначаных і не пазначаных даных для вызначэння заканамернасцей і сувязей, якія потым можна выкарыстоўваць для абгрунтаваных прагнозаў або прыняцця мер. ML мае розныя тыпы алгарытмаў, у тым ліку кантраляванае, некантраляванае і навучанне з падмацаваннем, кожны з якіх мае свае моцныя бакі і прымяненне. ML знайшоў шырокае прымяненне ў шматлікіх галінах прамысловасці, спрыяючы прагрэсу ў ахове здароўя, фінансах, сістэмах рэкамендацый і многіх іншых сферах.
Іншыя апошнія пытанні і адказы адносна EITC/AI/GCML Google Cloud Machine Learning:
- Што такое тэкст у маўленне (TTS) і як ён працуе з AI?
- Якія абмежаванні ёсць у працы з вялікімі наборамі даных у машынным навучанні?
- Ці можа машыннае навучанне аказаць некаторую дапамогу ў дыялогу?
- Што такое гульнявая пляцоўка TensorFlow?
- Што насамрэч азначае большы набор даных?
- Якія прыклады гіперпараметраў алгарытму?
- Што такое ансамблевае навучанне?
- Што рабіць, калі абраны алгарытм машыннага навучання не падыходзіць, і як пераканацца, што выбраны правільны?
- Ці патрэбна мадэль машыннага навучання пад наглядам падчас навучання?
- Якія ключавыя параметры выкарыстоўваюцца ў алгарытмах нейронных сетак?
Больш пытанняў і адказаў глядзіце ў EITC/AI/GCML Google Cloud Machine Learning