Kas yra mašininis mokymasis?

Kas yra mašininis mokymasis? Karen Hao

Mašininio mokymosi algoritmai yra atsakingi už didžiąją dalį dirbtinio intelekto pažangos ir taikomųjų programų, apie kurias girdite. (Norėdami gauti daugiau informacijos, peržiūrėkite mūsų pirmąją schemą „Kas yra AI?“ čia.)

Koks yra mašininio mokymosi apibrėžimas?

Mašininio mokymosi algoritmai naudoja statistiką, kad surastų modelius dideliame* duomenų kiekyje. O duomenys čia apima daugybę dalykų – skaičius, žodžius, vaizdus, ​​paspaudimus ir ką jūs turite. Jei jis gali būti saugomas skaitmeniniu būdu, jis gali būti įtrauktas į mašininio mokymosi algoritmą.

Mašininis mokymasis yra procesas, kuris veikia daugelyje šiandien naudojamų paslaugų – rekomendacijų sistemų, tokių kaip „Netflix“, „YouTube“ ir „Spotify“; paieškos sistemos, tokios kaip Google ir Baidu; socialinės žiniasklaidos kanalai, tokie kaip Facebook ir Twitter; balso padėjėjai, tokie kaip Siri ir Alexa. Sąrašas tęsiasi.

Visais šiais atvejais kiekviena platforma renka kiek įmanoma daugiau duomenų apie jus – kokius žanrus mėgstate žiūrėti, kokias nuorodas spustelėjate, į kokias būsenas reaguojate – ir naudoja mašininį mokymąsi, kad galėtų gerai spėti, ką jūs. gali norėti toliau. Arba, balso asistento atveju, kokie žodžiai geriausiai dera su juokingais garsais, sklindančiais iš jūsų burnos.

Atvirai kalbant, šis procesas yra gana paprastas: suraskite modelį, pritaikykite modelį. Bet tai beveik valdo pasaulį. Tai daugiausia dėl 1986 m. išradimo, kurį suteikė Geoffrey Hintonas, šiandien žinomas kaip gilaus mokymosi tėvas.

Kas yra gilus mokymasis?

Gilus mokymasis yra mašininis mokymasis naudojant steroidus: jame naudojama technika, kuri suteikia mašinoms geresnį gebėjimą rasti ir sustiprinti net mažiausius modelius. Ši technika vadinama giliuoju neuroniniu tinklu – giliuoju, nes jame yra daug, daug paprastų skaičiavimo mazgų sluoksnių, kurie kartu renka duomenis ir pateikia galutinį rezultatą numatymo forma.

Kas yra neuroniniai tinklai?

Neuroniniai tinklai buvo miglotai įkvėpti vidinio žmogaus smegenų veikimo. Mazgai yra tarsi neuronai, o tinklas yra panašus į pačias smegenis. (Tyrusiems tarp jūsų, kurie krūpčioja dėl šio palyginimo: nustokite pūkuoti analogiją. Tai gera analogija.) Tačiau Hintonas paskelbė savo proveržio straipsnį tuo metu, kai neuroniniai tinklai išėjo iš mados. Niekas tikrai nežinojo, kaip jų treniruoti, todėl jie nedavė gerų rezultatų. Prireikė beveik 30 metų, kol technika sugrįžo. Ir berniuk, ar tai sugrįžo.

Kas yra prižiūrimas mokymasis?

Paskutinis dalykas, kurį turite žinoti: mašininis (ir gilus) mokymasis yra trijų skonių: prižiūrimas, neprižiūrimas ir sustiprinimas. Prižiūrimo mokymosi metu, dažniausiai, duomenys yra pažymėti, kad mašina tiksliai nurodytų, kokių modelių ji turėtų ieškoti. Pagalvokite apie tai kaip apie šunį uostytoją, kuris sumedžios taikinius, kai tik sužinos, kokio kvapo jis siekia. Štai ką jūs darote, kai paspausite „Play“ per „Netflix“ laidą – nurodote algoritmui rasti panašias laidas.

Kas yra mokymasis be priežiūros?

Neprižiūrimo mokymosi metu duomenys neturi etikečių. Mašina tiesiog ieško bet kokių modelių, kuriuos gali rasti. Tai tarsi leisti šuniui užuosti daugybę skirtingų daiktų ir suskirstyti juos į grupes, turinčias panašų kvapą. Neprižiūrimi metodai nėra tokie populiarūs, nes jie turi mažiau akivaizdžių pritaikymų. Įdomu tai, kad jie įgijo trauką kibernetinio saugumo srityje.

Kas yra pastiprinimo mokymasis?

Galiausiai turime sustiprintą mokymąsi , naujausią mašininio mokymosi ribą. Sustiprinimo algoritmas mokosi bandymų ir klaidų būdu, kad pasiektų aiškų tikslą. Jis išbando daugybę skirtingų dalykų ir yra apdovanotas arba baudžiamas priklausomai nuo to, ar jo elgesys padeda, ar trukdo pasiekti tikslą. Tai panašu į skanėstų davimą ir atsisakymą mokant šunį naujos gudrybės. Sustiprinimo mokymasis yra „Google“ AlphaGo programos, kuri puikiai įveikė geriausius žaidėjus sudėtingame „Go“ žaidime, pagrindas.

Viskas. Tai mašininis mokymasis. Dabar peržiūrėkite aukščiau pateiktą schemą, kad gautumėte galutinę santrauką.

*Pastaba: Gerai, yra techniškų būdų, kaip atlikti mašininį mokymąsi naudojant nedidelius duomenų kiekius, tačiau norint pasiekti gerų rezultatų, paprastai reikia didžiulių jų krūvų.

___

Tai iš pradžių pasirodė mūsų AI informaciniame biuletenyje „Algoritmas“. Jei norite, kad jis būtų pristatytas tiesiai į jūsų pašto dėžutę, užsiprenumeruokite čia nemokamai.

paslėpti