Tartalom
- Mi a gépi tanulás?
- Mi a hagyományos programozás?
- Miben különbözik a gépi tanulás?
- A gépi tanulás fontossága
- Gépi tanulási algoritmusok és folyamatok
- A gépi tanulás hatása az üzleti életre
- Néhány gyakorlati felhasználási eset
- Következtetés
Forrás: Stockernumber2 / Dreamstime.com
Elvitel:
A gépi tanulás fontossága folyamatosan növekszik. Az alábbiakban megismerhetjük, hogy mit csinál és hogyan használják.
Az utóbbi években a „gépi tanulás” kifejezés felbukkanott számos megbeszélésen és fórumon, de mit jelent pontosan? A gépi tanulás az adatok elemzésére szolgáló módszerként határozható meg, mintázatfelismerés és számítási tanulás alapján. Különböző algoritmusokból áll, mint például neurális hálózatok, döntési fák, Bayes-hálózatok stb. A gépi tanulás ezeket az algoritmusokat használja az adatokból való tanuláshoz és az adatok rejtett betekintésének helyrehozásához. A tanulási folyamat iteratív, tehát az új adatokat felügyelet nélkül is kezelik. A tudomány, amely a korábbi adatokból való tanuláshoz és a jövőbeni adatokhoz történő felhasználásához nem új, de egyre népszerűbb.
Mi a gépi tanulás?
Míg egyesek úgy vélik, hogy a gépi tanulás nem jobb, mint a továbbra is alkalmazott számítógépes programozási módszerek, sokan a gépi tanulást forradalomnak tekintik a mesterséges intelligencia (AI) területén. Úgy vélik, hogy ennek a technológiának a segítségével a gépek képesek lesznek megtanulni dolgokat és megtenni a tapasztalataikat, ahelyett, hogy egyszerűen követnék az emberi utasításokat.
Ahhoz, hogy jobban megértsük a gépi tanulás jelentését, összehasonlíthatjuk a hagyományos számítógépes programozással. A következő szakaszok részletesebben tárgyalják a gépi tanulást és annak különbségét a hagyományos programozástól. (A gépi tanulás előnyeiről és hátrányairól lásd: A gépi tanulás ígéretét és buktatóit.)
Mi a hagyományos programozás?
Amikor számítógépet programozunk, akkor valójában mit teszünk, ha utasításokat adunk neki egy érthető nyelven. Ezután, amikor megadunk egy bemenetet, akkor az adott utasítások alapján ad outputot.
Képzeld el most, hogy megadták a hozzájárulást a hitelkártya igényléséhez. A bevitt adatok feldolgozása közben a rendszer megvizsgálja az alkalmazás összes fontos részét, megkapja a szükséges információkat és feldolgozza azokat. Ezután elkészíti az elfogadás vagy az elutasítás kimenetet a hozzá bevitt program alapján.
Miben különbözik a gépi tanulás?
Ha gépi tanulást használ a hagyományos programozási módszerek helyett a hitelkártya-forgatókönyvben, akkor az eredmény kissé eltérő lesz. Az eredmény valójában a bemeneti adatokon alapul, és a rendszer tapasztalatokat szerez a bemeneti adatok feldolgozásával. Nem lesz külön program erre. Ahogy egyre több tapasztalatot szerez, a teljesítmény idővel jobb lesz.
Tehát a gépi tanulás valójában azt tanulja meg, hogy elemezi a rendszer minden egyes használatakor előállított nagy mennyiségű adatfájlt. Az adatok elemzésekor megváltoztatja a programozást az újabb igényeknek megfelelően. Ez pontosságának javulásához is vezet. Azt is mondhatjuk, hogy a gépi tanulás olyan, mint egy lineáris regresszió, ahol a változókat és a paramétereket úgy változtatják meg, hogy jobban megfeleljenek a megadott bemenetnek.
Ebben a módszerben az algoritmusok szerepelnek címkézett példákban, ahol a címkézett adatok azt jelentik, hogy az adatok leírást kapnak. A gépi tanulási rendszer mind a bemeneteket, mind a hozzájuk tartozó kimeneteket megkapja. Most a rendszer több tapasztalatot szerezhet, ha összehasonlítja a tényleges kimeneteket a megfelelő kimenetekkel a hibák megállapításához.
A kimenetek elemzése és a hibák meghatározása után a rendszer ennek megfelelően megváltoztatja programozását. A rendszer különféle módszereket alkalmazhat a címkézés megjóslására a nem jelölt adatokra. Ezt a módszert arra használják, hogy a jövőbeli események előrejelzéseit a múltbéli adatok alapján készítsék.
Ezt a gépi tanulási módszert olyan helyeken használják, mint a játék, a jármű navigáció és a robotika. Ebben a módszerben a rendszer próba-hiba módszerrel tanul. Ennek a módszernek a fő célja, hogy a lehető legkevesebb idő alatt meghatározza a outputot, amelyet megfelelő politika követésével lehet megtenni.
A gépi tanulás fontossága
A gépi tanulás fontossága nap mint nap növekszik, ugyanazon okok miatt, amelyek miatt az adatbányászat fogalma olyan fontos lett. Ezen okok között szerepel az olcsó és nagy teljesítményű számítási teljesítmény, a nagy mennyiségű adat létrehozása minden nap, valamint az olcsó és nagy kapacitású adattárolási módszerek. Ezek a tényezők biztosítják, hogy a nagy teljesítményű és pontos modellek nagyon gyorsan elkészíthetők, amelyek felhasználhatók a nagy adattartalékok ömlesztett elemzéséhez a jobb, nagyon pontos kimenetek elérése érdekében. Ez azt jelenti, hogy a jobb modellek felhasználhatók jobb vállalati és üzleti döntések meghozatalára rövidebb idő alatt és emberi erőfeszítés nélkül.
Az ilyen pontos modellek gyors elkészítésének egyik módja az automatizált modellkészítés. Ennek a modellnek elég dinamikusnak kell lennie, hogy lépést tartson a változó időkkel. Míg az emberek általában hetente két modellt készíthetnek, a gépi tanulás az adatok gyors elemzésével több ezer pontos modellt hozhat létre. Ezért olyan fontos a gépi tanulás a vállalkozások és más területek számára.
Gépi tanulási algoritmusok és folyamatok
A gépi tanulási algoritmusok elősegítik a legtöbb adat kiaknázását, segítve a rendszert az adatok gyors elemzésében és pontos eredmények előállításában. Ezek az algoritmusok segítenek létrehozni egy modellt, amely felhasználható üzleti döntések meghozatalához. Néhány algoritmustípus neurális hálózatok, véletlenszerű erdők, k-eszközök klaszterezés, önszerveződő térképek és a legközelebbi szomszéd leképezése.
Az algoritmusok használata azonban nem minden. A legjobb modellt csak egy megfelelő eljárás követésével lehet elkészíteni. Az ilyen folyamatok néhány példája az átfogó adatkezelés, az adatok interaktív feltárása és a modell által talált eredmények megjelenítése.
A gépi tanulás hatása az üzleti életre
A gépi tanulásnak az üzleti életre gyakorolt hatása óriási. A gépi tanulás új lehetőségeket nyitott meg a vállalkozások számára. Segített a pontos modellkészítésben, ami viszont hozzájárult a jobb és okosabb döntések gyors meghozatalához.
Néhány gyakorlati felhasználási eset
A gépi tanulást sok helyen alkalmazzák. Az ajánlási rendszerek gépi tanulást használnak, hogy valós időben tegyenek ajánlásokat a felhasználók számára, preferenciáik és a jelenlegi piaci minták alapján.
A Promedas, amely orvosi szoftver vagy „asztali orvos”, egy gépi tanuláson alapuló program, amely több évszázados orvosi ismeretekkel segíti az orvosokat a betegségek felderítésében és diagnosztizálásában. A betegség azonosításához a betegségminták korábbi feljegyzéseiből gyűjtött adatokat használja fel. Ez segít a betegségek gyorsabb azonosításában és kezelésében.
Az Amazon automatizálta alkalmazottainak hozzáférését és visszavonását egy számítógépes algoritmus segítségével, amely megjósolja az egyes alkalmazottak erőforrás-hozzáférését. Ehhez a számítógépes algoritmus a nyilvántartásokat használja a kockázatok elemzésére és annak, hogy az alkalmazott általában mennyire megbízható.
A gépi tanulási algoritmusokat a Cornell Egyetem is használja az óceánban lévő bálnák felvételéhez hangfelvételek segítségével, hogy a hajók elkerüljék a bálnákat. Az algoritmus elemzi a bálnák migrációs adatait (hová mennek és mikor), hogy meghatározzák azt az utat, amelyet a hajónak meg kell tennie a bálnák elkerülése érdekében. (Ha többet szeretne megtudni a gépi tanulás gyakorlati felhasználásáról, olvassa el a Gépi tanulás és Hadoop fejezetet a következő generációs csalások észlelésében.)
Következtetés
Mivel az adatok napról napra növekszenek, a hatékony feldolgozás fontossága is növekszik. Ehhez olyan gépi tanulási módszereket dolgoztak ki, amelyek elősegítik a rendszert az intelligens döntések meghozatalában, az emberek minimális bevonásával. Ennek a technológiának az IT-ágazatra gyakorolt jelenlegi hatása óriási, ezért könnyű elképzelni, hogy fontossága a jövőben csak növekedni fog.