Sisu
- Mis on masinõpe?
- Mis on traditsiooniline programmeerimine?
- Kuidas masinõpe on erinev
- Masinõppe tähtsus
- Masinõppe algoritmid ja protsessid
- Masinõppe mõju ettevõtlusele
- Mõned praktilise kasutamise juhtumid
- Järeldus
Allikas: Stockernumber2 / Dreamstime.com
Ära võtma:
Masinõppe tähtsus kasvab pidevalt. Siin on põhitõed, mis aitavad mõista, mida see teeb ja kuidas seda kasutatakse.
Viimastel aastatel on mõiste “masinõpe” hakanud tõusma erinevates aruteludes ja foorumites, kuid mida see täpsemalt tähendab? Masinõpet võib määratleda andmeanalüüsi meetodina, mis põhineb mustrituvastusel ja arvutuslikul õppimisel. See koosneb erinevatest algoritmidest nagu närvivõrgud, otsustuspuud, Bayesi võrgud jne. Masinõpe kasutab neid algoritme andmetest õppimiseks ja varjatud teadmiste taastamiseks andmetest. Õppeprotsess on iteratiivne, seetõttu käsitletakse uusi andmeid ka ilma igasuguse järelevalveta. Teadus, mille abil õppida varasematest andmetest ja kasutada seda edaspidiste andmete jaoks, pole uus, kuid see on üha populaarsemaks muutumas.
Mis on masinõpe?
Kuigi mõned inimesed usuvad, et masinõpe pole parem kui traditsioonilised arvutiprogrammeerimismeetodid, mis on endiselt kasutusel, peavad paljud masinõpet revolutsiooniks tehisintellekti valdkonnas. Nad usuvad, et seda tehnoloogiat kasutades saavad masinad õppida ja teha asju oma kogemustega, selle asemel, et lihtsalt järgida inimese juhiseid.
Masinõppe tähenduse mõistmiseks võime seda võrrelda traditsioonilise arvutiprogrammeerimisega. Järgmistes osades käsitletakse lähemalt masinõppimist ja selle erinevust traditsioonilisest programmeerimisest. (Mõningaid masinõppe plusse ja miinuseid leiate masinõppe lubadustest ja lõksudest.)
Mis on traditsiooniline programmeerimine?
Kui me arvutit programmeerime, annab see, mida me tegelikult teeme, juhiste andmine talle arusaadavas keeles. Siis, kui anname sellele sisendi, annab see väljundi vastavalt juhistele, mille oleme talle andnud.
Kujutagem nüüd ette, et olete andnud krediitkaardi taotlemiseks sisendi. Teie sisendi töötlemise ajal vaatab süsteem teie rakenduse kõiki olulisi osi, võtab vajaliku teabe ja töötleb seda. Pärast seda saadakse vastuvõtmise või tagasilükkamise väljund vastavalt sellele sisestatud programmile.
Kuidas masinõpe on erinev
Kui kasutate krediitkaardistsenaariumi asemel traditsiooniliste programmeerimismeetodite asemel masinõpet, siis oleks tulemus mõnevõrra erinev. Tulemus põhineb tegelikult sisendandmetel ja süsteem saab kogemusi nende sisendandmete töötlemisel. Selle jaoks pole ühtegi eriprogrammi. Kuna see omandab üha rohkem kogemusi, muutub selle jõudlus aja jooksul paremaks.
Niisiis õpib masinõpe tegelikult süsteemi iga kasutamisega tehtud andmefailide suure koguse analüüsimisega. Andmeid analüüsides muudab ta programmeerimist vastavalt uuematele nõudmistele. See viib ka selle täpsuse paranemiseni. Samuti võime öelda, et masinõpe on nagu lineaarne regressioon, kus muutujaid ja parameetreid muudetakse vastavalt paremini pakutavale sisendile.
Selle meetodi puhul on algoritmid kaasatud märgistatud näidetesse, kus sildistatud andmed tähendavad, et andmetele antakse kirjeldus. Masinõppe süsteem saab nii sisendeid kui ka neile vastavaid väljundeid. Nüüd saab süsteem saada rohkem kogemusi, kui võrrelda tegelikke väljundeid õigete väljunditega, et vigu leida.
Pärast väljundite analüüsimist ja vigade tuvastamist muudab süsteem vastavalt oma programmeerimist. Süsteem saab kasutada erinevaid meetodeid, et ennustada sildistamata andmete silte. Seda meetodit kasutatakse varasemate andmete põhjal tulevikusündmuste ennustamiseks.
Seda masinõppe meetodit kasutatakse sellistes kohtades nagu mängimine, sõidukite navigeerimine ja robootika. Selle meetodi puhul õpib süsteem katse-eksituse meetodil. Selle meetodi peamine eesmärk on väljundi määramine võimalikult lühikese aja jooksul, mida saab teha sobivat poliitikat järgides.
Masinõppe tähtsus
Masinõppe tähtsus kasvab iga päevaga samadel põhjustel, mis on muutnud andmekaevandamise kontseptsiooni nii oluliseks. Need põhjused hõlmavad odavat ja võimsat arvutusvõimsust, suurt hulka andmeid luuakse iga päev ning odavaid ja suure võimsusega andmesalvestusmeetodeid. Need tegurid tagavad võimsate ja täpsete mudelite väga kiire valmistamise, mida saab kasutada suurte andmereservide hulgi analüüsimisel, et saada paremaid ja ülitäpseid väljundeid. See tähendab, et paremaid mudeleid saab kasutada paremate korporatiivsete ja äriotsuste langetamiseks vähem aega ja ilma inimlike pingutusteta.
Üks võimalus selliste täpsete mudelite kiireks valmistamiseks on automatiseeritud mudelite tegemine. See mudel peaks olema piisavalt dünaamiline, et muutuvate aegadega sammu pidada. Kui inimesed saavad üldiselt luua kaks mudelit nädalas, siis masinõppimisega saab luua kiireid andmeid analüüsides tuhandeid täpseid mudeleid. Sellepärast on masinõpe ettevõtjatele ja teistele valdkondadele nii oluline.
Masinõppe algoritmid ja protsessid
Masinõppe algoritmid aitavad suurandmetest maksimumi võtta, aidates süsteemil andmeid kiiresti analüüsida ja täpseid tulemusi anda. Need algoritmid aitavad luua mudeli, mida saab kasutada äriotsuste tegemisel. Mõned algoritmitüübid on närvivõrgud, juhuslikud metsad, k-vahendite rühmitused, iseorganiseeruvad kaardid ja lähima naabri kaardistamine.
Kuid algoritmide kasutamine pole veel kõik. Parima mudeli saab teha ainult sobivat protsessi järgides. Mõned näited sellistest protsessidest on ulatuslik andmehaldus, andmete interaktiivne uurimine ja mudeli abil leitud tulemuste visualiseerimine.
Masinõppe mõju ettevõtlusele
Masinõppe mõju ettevõtlusele on tohutu. Masinõpe on avanud ettevõtetele uusi võimalusi. See on aidanud täpse mudeli tegemisel, mis on omakorda aidanud kiiremini paremaid ja nutikamaid otsuseid teha.
Mõned praktilise kasutamise juhtumid
Masinõpet kasutatakse paljudes kohtades. Soovitussüsteemid kasutavad masinõpet, et kasutajatele reaalajas soovitusi anda, lähtudes nende eelistustest ja praegustest turumudelitest.
Promedas, mis on meditsiinitarkvara või „lauaarvuti arst”, on masinõppel põhinev programm, mis kasutab sadu aastaid kestvaid meditsiinilisi teadmisi, et aidata arstidel haigusi tuvastada ja diagnoosida. Patsientide haiguse tuvastamiseks kasutatakse varasemate haigusseisundite registritest kogutud andmeid. See aitab vaevusi kiiremini tuvastada ja ravida.
Amazon on automatiseerinud oma töötajatele juurdepääsu andmise ja tühistamise arvutialgoritmi abil, mis võimaldab ennustada ressursside kasutamist iga töötaja jaoks. Selleks kasutab arvutialgoritm arvestust, et analüüsida riske ja seda, kui usaldusväärne töötaja üldiselt on.
Cornelli ülikool kasutab masinõppe algoritme ka ookeanis vaalade tuvastamiseks helisalvestiste abil, et laevad saaksid vaalasid vältida. Algoritm analüüsib vaalade migratsiooni andmeid (kuhu nad lähevad ja millal), et teha kindlaks tee, mille laev vaalate vältimiseks peaks minema. (Lisateavet masinõppe praktilise kasutuse kohta leiate teemast Masinõpe ja Hadoop järgmise põlvkonna pettuste tuvastamisel.)
Järeldus
Kuna andmete arv kasvab iga päevaga, kasvab ka tõhusa töötlemise tähtsus. Selleks on välja töötatud masinõppe meetodid, mis aitavad süsteemil nutikaid otsuseid langetada, inimeste võimalikult vähese kaasamisega. Selle tehnoloogia praegune mõju IT-sektorile on olnud tohutu, nii et on lihtne ette kujutada, et selle tähtsus kasvab ainult tulevikus.