Paul Downey | Flickr
Strojové učení je věta, která se stále častěji obvazuje, ale mnoho z nich stále přesně neví, o co jde. To je samozřejmě důvod. Je to stále ve velmi raných stádiích a mnozí předpokládají, že to ještě neovlivňuje obecnou populaci. Ve skutečnosti to možná není tak pravda, jak někteří předpokládají.
Co je tedy strojové učení? A co se dnes používá? Zde je náš průvodce všemi informacemi o strojovém učení.
Co je strojové učení?
Strojové učení, jednoduše řečeno, je forma umělé inteligence, která umožňuje počítačům učit se bez jakéhokoli dalšího programování. Jinými slovy, software je schopen samostatně se učit nové věci, aniž by programátor nebo technik musel něco „učit“. Strojové učení je schopno odebírat data a detekovat vzorce a najít řešení a poté je aplikovat na další problémy.
Obrázek: K? Rlis Dambr? Ns | Flickr
Je důležité si uvědomit, že strojové učení jako koncept není vůbec nic nového - je těžké vysledovat přesný původ konceptu vzhledem k tomu, že se spojuje do a z jiných forem technologie. Dalo by se tvrdit, že strojové učení se datuje až do vytvoření Turingova testu, který byl použit k určení, zda má počítač inteligenci. První počítačový program, který se učí, však byla hra dáma, která byla vyvinuta v roce 1952 Arthurem Samuelem. Tato hra se zlepšila, čím více hrála.
Nejnovější technologie však drasticky zlepšuje strojové učení. Například strojové učení vyžaduje obrovské množství výpočetního výkonu, natolik, že jsme teprve mohli začít rozvíjet základní strojové učení v nedávné historii.
Existuje několik hlavních způsobů, jak programátoři implementují strojové učení. První se nazývá „učení pod dohledem“. V podstatě to znamená, že stroj je napájen problémy, kde je známo řešení problému. Algoritmus učení je schopen tyto problémy přijímat spolu s požadovanými výstupy, identifikovat vzorce problémů a podle toho jednat. Dozorované učení se často používá k předpovídání budoucích událostí - například když může být transakce kreditní kartou podvodná.
Druhá implementace strojového učení se nazývá „učení bez dozoru“. V tomto případě není výsledek problému dán softwaru - namísto toho je to problém s krmením a musí detekovat vzorce v datech. Cílem je najít strukturu dat, která jsou zadána.
Na třetím místě je „učení pod dohledem“. Tato metoda strojového učení se často používá pro stejné věci jako učení pod dohledem, ale vyžaduje data s řešením a data bez. Vzdělávání částečně kontrolované se často provádí, když jsou prostředky omezené a společnosti nejsou schopny poskytnout celý soubor údajů pro proces učení.
V neposlední řadě je to „posilovací učení“, které se používá speciálně pro věci jako hry a roboty. Zesílení učení je v podstatě učeno prostřednictvím pokusů a omylů - stroj se pokouší o věci a učí se na základě svých úspěchů nebo selhání. Cílem je, aby stroj zjistil nejlepší možné výsledky.
Samozřejmě všechny tyto metody strojového učení zahrnují krmení stroje stovkami tisíc problémů a obrovské množství dat. Opravdu, čím více dat, tím lépe.
Kde se dnes strojové učení používá?
Obrázky peněz | Flickr
Ve skutečnosti existuje spousta míst, kde se dnes strojové učení používá. Mnohé z nich jsou v zákulisí, ale možná vás překvapí, že mnoho z nich je také něco, co používáte každý den.
Možná ten, který používáte nejvíce, je ve vašem osobním asistentovi - to je pravda, stejně jako Siri a Chytré karty Google používají strojové učení, hlavně pro lepší pochopení řečových vzorců. S tolika miliony lidí, kteří používají Siri, je systém schopen vážně pokročit v tom, jak zachází s jazyky, přízvuky atd.
Samozřejmě, Siri není jedinou spotřebitelskou aplikací strojového učení. Další využití je v bankovnictví, například při odhalování podvodů. Algoritmy strojového učení mohou například sledovat vzorce výdajů a určovat, které vzorce budou s větší pravděpodobností podvodné na základě minulé podvodné činnosti.
Ve skutečnosti může dokonce i váš e-mail používat strojové učení. Například spamové e-maily jsou problémem a postupem času se vyvíjely. E-mailové systémy používají strojové učení ke sledování vzorů spamových e-mailů a toho, jak se spamové e-maily mění, a poté je do těchto složek ukládají na základě těchto změn.
Závěry
Strojové učení je nastaveno tak, aby bylo velkou součástí toho, jak používáme technologii vpřed a jak nám technologie může pomoci. Od Siri po US Bank je strojové učení stále všudypřítomnější a je pravděpodobné, že bude pokračovat.
