У најједноставнијим терминима, машинско учење (МЛ) је програмирање машина (рачунара) тако да може извршити тражени задатак користећи и анализирати податке (информације) да самостално извршава тај задатак, без додатног специфичног уноса од хуманог програмера.
Машинско учење 101
Термин Машинско учење био је скован у лабораторијама ИБМ-а 1959. од Артхур Самуел-а, пионира у вештачкој интелигенцији (АИ) и рачунарских игара. Машинско учење, као резултат, је грана вештачке интелигенције. Самуелова претпоставка је била да флипује компјутерски модел времена наопачке и престане да даје рачунарима ствари за учење.
Уместо тога, он је желео да рачунари почну сами да схвате ствари, а да људи не морају да унесу чак ни најмањи део информација. Затим, помисли он, рачунари не би само извршавали задатке, већ би могли на крају одлучити које задатке треба обавити и када. Зашто? Тако да рачунари могу смањити количину рада људи који су потребни за извођење у датој области.
Како ради машинско учење
Машинско учење функционише кроз употребу алгоритама и података. Алгоритам је сет инструкција или смерница који говоре рачунару или програму како извршити задатак. Алгоритми који се користе у МЛ прикупљају податке, препознају обрасце и користе анализу тих података како би прилагодили своје програме и функције за завршавање задатака.
МЛ алгоритми користе скупове правила, стабла одлучивања, графичке моделе, обраду природног језика и неуронске мреже (да наведу неколико) да аутоматизују податке обраде за доношење одлука и обављање задатака. Док МЛ може бити сложена тема, Гооглеова учитељска машина пружа једноставну практичну демонстрацију како МЛ ради.
Најснажнији облик машинског учења који се данас користи, под називом дубоко учење, гради сложену математичку структуру која се назива неуронска мрежа, заснована на великим количинама података. Неуронске мреже су скупови алгоритама у МЛ и АИ моделованим по начину на који нервне ћелије у информацијама о процесу у људском мозгу и нервном систему.
Умјетничка интелигенција вс. Мацхине Леарнинг вс. Дата Мининг
Да бисте најбоље разумели однос између АИ, МЛ и рударења података, корисно је размишљати о скупу кишобрана различитих величина. АИ је највећи кишобран. МЛ кишобран је мањи и мањи је под окриљем АИ кишобрана. Кишобран за руковање подацима је најмањи и уклапа се под МЛ кишобран.
- АИ је огранак компјутерске науке који има за циљ да програмира рачунаре за обављање задатака на више "интелигентних" и "људских" начина, користећи образложење и технике доношења одлука моделираних након људске интелигенције.
- МЛ је категорија рачунарства у оквиру АИ која се фокусира на програмерске машине (рачунаре) за учење (прикупља потребне податке или примере) како би доносио одлуке на интелигентне и аутоматизовније одлуке.
- Дата мининг користи статистику, МЛ, АИ и огромне базе података информација како би пронашао обрасце, пружио увиде, креирао класификације, идентификовао проблеме и доставио детаљну аналитику података.
Шта машинско учење може да ради (и већ има)
Капацитет рачунара да анализира огромне количине информација у фракцијама секунде чини МЛ корисним у бројним индустријама где су време и тачност неопходни.
- Медицина: МЛ технологија се примењује у низу решења за медицинско поље, укључујући помоћ лекарима хитне службе са бржом дијагнозом пацијената са неуобичајеним симптомима. Лекари могу унети листу симптома пацијента у програм и користећи МЛ, програм може да избрише трилијоне терабајта информација из медицинске литературе и интернета да би вратио листу потенцијалних дијагноза и препоручио тестирање или лечење у рекордном времену.
- Образовање: МЛ се користи за креирање образовних алата који се прилагођавају потребама учења ученика, као што су виртуелни помоћници за учење и електронски уџбеници који су интерактивнији. Ови алати користе МЛ како би открили које концепте и вјештине разумије студентом користећи кратке квизове и вјежбе у пракси. Алати потом обезбеђују кратке видео записе, додатне примере и позадински материјал који ће студенту помоћи да науче потребне вештине или концепте.
- Аутомотиве: МЛ је такође кључна компонента у новонасталом пољу аутомобила за аутомобиле (такође названа аутомобила без аутобуса или аутономних аутомобила). Софтвер који користи аутомобиле који користе аутомобиле користе МЛ током истих тестова путева и симулација како би открили услове на путевима (као што су ледени путеви) или идентификовали препреке у коловозу и научили одговарајуће задатке вожње како би се безбедно кретали у таквим ситуацијама.
Ви сте вероватно већ сусрели са МЛ-у много пута без тога да је схватите. Неке од најчешћих употреба МЛ технологије укључују практично препознавање говора (Самсунгов Бикби, Аппле'с Сири и многе програме разговора у текст који су сада стандардни на рачунарима), филтрирање нежељене поште за вашу е-пошту, креирање вести за вести, откривање превара, персонализирање препоруке за куповину и пружање ефикаснијих резултата претраге веба.
МЛ је чак укључен у ваш Фацебоок феед. Када волите или често кликнете на постове пријатеља, алгоритми и МЛ иза сцене "учите" од својих радњи током времена како бисте одредили одређене пријатеље или странице у свом Невсфеед-у.
Шта машинско учење не може да уради
Међутим, постоје ограничења за оно што МЛ може да уради. На примјер, кориштење МЛ технологије у различитим индустријама захтијева значајну количину развоја и програмирања од стране људи за специјализацију програма или система за врсте задатака које захтијева та индустрија.У нашем медицинском примеру изнад, МЛ програм који се користи у одељењу за хитне случајеве развијен је специјално за људску медицину. Тренутно није могуће узети тај програм и директно га имплементирати у хитном центру за ветеринарство. Таква транзиција захтијева обимну специјализацију и развој од стране људских програмера да креирају верзију која може да уради овај задатак за ветеринарску или животињску медицину.
Такође захтијева невероватно велике количине података и примјера за сазнање информација које су јој потребне за доношење одлука и обављање задатака. Програми МЛ такође су врло буквални у интерпретацији података и борби са симболиком, као и неким врстама односа унутар резултата података, као што су узрок и ефекат.
Међутим, наставак напредовања чини МЛ већу основном технологијом која свакодневно ствара паметније рачунаре.
