Jaka przyszłość kształtuje się przed Machine learning?
Od pomocy w znalezieniu ulubionych zdjęć psów, po pomoc rolnikom w Japonii w sortowaniu ogórków, uczenie maszynowe zmienia sposób, w jaki ludzie używają kodu do rozwiązywania problemów. Ale czym właściwie jest i jak działa uczenie maszynowe?
Z czym się je Machine Learning
Machine learning czyli tzw. uczenie maszynowe jest rodzajem sztucznej inteligencji (AI), która pozwala, żeby aplikacje były bardziej dokładne w przewidywaniach wyników bez wyraźnego programowania ich. Podstawową zasadą machine learningu jest budowanie algorytmów, które odbierają dane wejściowe oraz używają analizy statystycznej do przewidywania wartości wyjściowej w dopuszczalnym zakresie.
Algorytmy uczenia maszynowego można podzielić na algorytmy uczenia nadzorowanego (supervised) oraz nienadzorowanego (unsupervised). Nadzorowane algorytmy wymagają od ludzi dostarczenia zarówno wejściowych, jak i pożądanych wyników, a także dostarczania informacji zwrotnej o dokładności prognoz podczas treningu. Po ukończeniu treningu algorytm zastosuje zdobytą wiedzę do nowych danych. Nie wymagające nadzoru algorytmy nie wymagają przeszkolenia z pożądanymi danymi wynikowymi. Zamiast tego używają iteracyjnego podejścia zwanego deep learning, do przeglądu danych i wyciągania wniosków.
Procesy związane z uczeniem maszynowym wymagają przeszukiwania danych w celu wyszukania wzorców i odpowiedniego dostosowania działań programu. Wiele osób spotkało się z uczeniem maszynowym w trakcie zakupów przez Internet, kiedy pokazują się nam reklamy powiązane do tego co kupiliśmy. Dzieje się tak, ponieważ silniki rekomendacji wykorzystują uczenie maszynowe do personalizowania dostarczeń reklam online w czasie prawie rzeczywistym. Poza spersonalizowanym marketingiem, inne popularne zastosowania związane z uczeniem maszynowym obejmują wykrywanie oszustw, filtrowanie spamu, wykrywanie zagrożeń bezpieczeństwa sieci i wiele innych.
Neural Network – sieć neuronów
NN jest podzbiorem uczenia maszynowego, który jest osiągany za pomocą pewnych procedur algorytmicznych, które są osiągane podczas badania sieci neuronowej (NN). Uczenie maszynowe to procedura, dzięki której wiedza jest zdobywana poprzez doświadczenie lub możemy powiedzieć, że uczenie maszynowe to dziedzina, która koncentruje się na algorytmach indukcyjnych i innych algorytmach, które można powiedzieć, że „uczą się”. Sieć neuronowa składa się z puli prostych jednostek przetwarzania, które komunikują się poprzez wysyłanie sygnałów do siebie nawzajem przez dużą liczbę ważonych połączeń. System jest z natury równoległy w tym sensie, że wiele jednostek może wykonywać swoje obliczenia w tym samym czasie.
Jest to technika budowania programu komputerowego, który uczy się z danych. Opiera się bardzo luźno na tym, jak myślimy, jak działa ludzki mózg. Po pierwsze, zbiór „neuronów” oprogramowania jest tworzony i łączony razem, umożliwiając wysyłanie wiadomości do siebie nawzajem. Następnie sieć jest proszona o rozwiązanie problemu, który próbuje powtarzać to w kółko, za każdym razem wzmacniając połączenia, które prowadzą do sukcesu i zmniejszając te, które prowadzą do niepowodzenia.
Przyszłość uczenia maszynowego
Świat jest po cichu przekształcany przez uczenie maszynowe. Nie musimy już uczyć komputerów, jak wykonywać złożone zadania, takie jak rozpoznawanie obrazów czy tłumaczenie tekstu: zamiast tego tworzymy systemy, które pozwalają im nauczyć się, jak robić to samodzielnie.
Uczenie maszynowe jest teraz prawdopodobnie najgorętszą rzeczą w Dolinie Krzemowej, a szczególnie deep learning. Powodem, dla którego jest to tak ważny temat, jest to, że może przejąć wiele powtarzalnych, bezmyślnych zadań. Sebastian Thun założyciel Udacity uważa że machine learning pozwoli, że lekarze będą lepszymi lekarzami, a prawnicy lepszymi prawnikami. Wg Thun’a jest to najbardziej ekscytujący temat naszych dziejów.
