Текст до уроку "Машинне навчання"

Сьогодні комп’ютери пишуть картини, алгоритми складають вірші і класифікують фотографії. Роботи самостійно пересуваються у навколишньому середовищі, а деякі з них навіть самі вміють приймати різні рішення. Усе це можливо завдяки машинному навчанню.

Машинне навчання -  здатність комп'ютера навчатися за допомогою збору величезної кількості інформації та створення передбачуваних алгоритмів на її основі. Так як кількість даних постійно зростає, комп'ютер коригує свою поведінку, що дозволяє ще ефективніше виконувати поставлені задачі. Як правило, комп’ютерам потрібен великий обсяг інформації і статистики, щоб навчитися створювати правильні й потрібні прогнози.

Як і людина, машина зберігає у пам'яті інформацію і з часом стає розумнішою.

Але на відміну від людини, вона не схильна до таких речей як короткочасна втрата пам'яті, перевантаження інформацією, розлад сну чи неуважність.

Але як ці машини насправді навчаються?

Наприклад, якщо людині легко відрізнити кота від собаки, то комп'ютеру аж ніяк.

Розумієте, коли ви розглядаєте лише зовнішній вигляд, різниця між котом та собакою не така очевидна. Ви можете припустити, що коти мають загострені вушка, а собаки - висячі. Але ці правила не універсальні.

У питаннях довжини хвоста, текстури шерсті та її забарвлення є багато варіантів. А це означає, що комусь доведеться запрограмувати багато нудних правил, аби допомогти комп'ютеру зрозуміти різницю.

Але пам'ятайте: машинне навчання - це коли машини навчаються так само, як і люди. А значить, як будь-якому малюку, їм доведеться навчатися на власному досвіді.

Під час машинного навчання, програми аналізують тисячі прикладів, аби написати алгоритм. Потім налаштування алгоритму змінюється, в залежності від того, чи досягнуто поставлених цілей. З часом програма дійсно розумнішає.

Першу програму на основі алгоритмів, здатних самонавчатися, розробив Артур Самуель (Arthur Samuel) в 1952 році, призначена вона була для гри в шашки. Самуель дав і перше визначення терміну «машинне навчання»: це «область досліджень розробки машин, які не є заздалегідь запрограмованими».

У найзагальнішому випадку розрізняють два типу машинного навчання: навчання по прецедентах, або індуктивне навчання, і дедуктивне навчання.

Прецеде́нт (від лат. praecedens — той, що передує) — випадок або подія, що відбулася в минулому та є прикладом або підставою для аналогічних дій у сьогоденні.

Дано скінченну кількість прецедентів (об'єктів, ситуацій), по кожному з яких зібрані (виміряні) деякі дані. Дані про прецедент називають також його описом. Сукупність усіх наявних описів прецедентів називається навчальною вибіркою. Потрібно за цим приватним даними виявити загальні залежності, закономірності, взаємозв'язку, властиві не тільки цієї конкретної вибірці, але взагалі всім прецедентів, в тому числі тим, які ще не спостерігалися.

Найбільш поширеним способом опису прецедентів є опис за ознаками. Фіксується сукупність n показників, вимірюваних у всіх прецедентів. Можливі й більш складні випадки, коли прецеденти описуються сигналами, зображеннями, відеорядами, текстами, і т. Д.

Для чого потрібне ML: де і хто застосовує технологію

Сьогодні існує безліч застосувань машинного навчання. Наприклад, технологія допомагає:

розпізнавати мову віртуальних помічників;

розпізнавати рукописні букви;

визначати мови;

пропонувати рекомендації на сайтах;

шукати документи;

визначати підозрілі транзакції;

прогнозувати вартість валют;

аналізувати попит;

навчати розумну техніку.

Технологія машинного навчання розвиває безліч різних індустрій. Серед сфер, де вона застосовується — бізнес, медицина, фінансова галузь, промисловість і IT-сфера.

Чи означають успішні приклади реалізації, що в майбутньому машини замінять людей?

На це особливо актуальне питання немає коректної відповіді лише тому, що воно некоректно поставлене. Метою машинного навчання є не заміна людей комп’ютерами, а розширення їх власних можливостей. Штучний інтелект вже здатен вирішувати широкий спектр задач, котрі не під силу інтелекту природному, або просто забирають забагато часу та зусиль. Зекономлені ресурси людина може витратити на виконання завдань, приміром, креативного напрямку, з котрими не здатен впоратись AI. Тобто, мова йде радше не про заміну, а про органічний симбіоз.

Люди навчили машини адаптуватись з власного досвіду, і це свідчить про те, що вони так само готові до гри за новими правилами. Так, компанії вкладають все більші кошти в розроблення сервісів machine learning, але водночас вони створюють і нові робочі місця для цілком нового класу професіоналів.

Target

Американська торговельна мережа Target використовує машинне навчання для того, щоб передбачати поведінку покупців. На основі даних про покупки алгоритми визначають зміни в житті, інтереси й потреби клієнтів, щоб пропонувати їм рекламу актуальних для них товарів.

на основі машинного навчання вже створена програма, що дозволяє оцінити шанси твого твіта на перепост. Вона аналізує хештеги, зображення, інші популярні твіти та ще безліч факторів і видає тобі інформацію, завдяки якій ти зможеш доопрацювати своє безцінні 140 символів.