Паул Довнеи | Флицкр
Машинско учење је фраза која се све чешће заборавља, али многи још увек не знају тачно. Наравно, постоји разлог за то. Још је у врло раној фази и многи претпостављају да још није нешто што утиче на општу популацију. У ствари, то можда и није тако истинито као што неки претпостављају.
Па шта је машинско учење? И за шта се данас користи? Ево нашег водича о свему што требате знати о машинском учењу.
Шта је машинско учење?
Машинско учење, једноставније речено, облик је вештачке интелигенције који рачунарима омогућава учење без икаквог додатног програмирања. Другим речима, софтвер је у стању да сам научи нове ствари, а да програмер или инжењер не морају да га било шта науче. Машинско учење је у стању да узима податке и детектује обрасце и проналази решења, а затим та решења примењује на друге проблеме.
Слика: К? Рлис Дамбр? Нс | Флицкр
Важно је напоменути да машинско учење као концепт уопште није ново - тешко је пратити прецизно порекло концепта сматрајући да је онај који се спаја са другим облицима технологије. Могли бисте тврдити да машинско учење датира још од стварања Туринговог теста, који је коришћен за утврђивање да ли рачунар има интелигенцију. Први рачунарски програм који је научио, међутим, била је игра чекова, коју је 1952. године развио Артхур Самуел. Ова игра је постајала све боља што се више играла.
Новија технологија, међутим, драстично побољшава машинско учење. На пример, машинско учење захтева огромне количине процесне снаге, толико да смо тек у новој историји почели да развијамо основно машинско учење.
Постоји неколико главних начина на који програмери имплементирају машинско учење. Први се назива „надзирано учење“. Оно што у основи значи јесте да се машина храни проблемима где је решење проблема познато. Алгоритам учења је у стању да прими те проблеме заједно са жељеним исходима, идентификује обрасце проблема и делује у складу са тим. Надзирано учење се често користи за предвиђање будућих догађаја - као на пример када би трансакција са кредитном картицом могла бити лажна.
Друга примена машинског учења назива се „неконтролисано учење“. У овом случају, резултат проблема није дат софтверу - уместо тога се напајају проблеми и он мора открити обрасце у подацима. Циљ је овде пронаћи структуру у подацима који су му дати.
Треће је „полу-супервизирано учење“. Ова метода машинског учења се често користи за исте ствари као и учење под надзором, али за то су потребни подаци са решењем и подаци без њих. Семи-супервисоко учење се често спроводи када су средства ограничена и компаније нису у могућности да пруже комплетне скупове података за процес учења.
Посљедње, али не најмање битно, је „учење ојачања“, које се користи посебно за ствари попут игара и робота. Учење ојачања у основи се учи путем покушаја и грешака - машина покушава ствари и учи на основу његових успеха или неуспеха. Циљ је да машина утврди најбоље могуће исходе.
Наравно, све ове методе машинског учења укључују храњење машине стотинама хиљада проблема и огромне количине података. Заиста, што више података то боље.
Где се данас користи машинско учење?
Пицтурес оф Монеи | Флицкр
Заправо, данас постоји пуно места на којима се данас користи машинско учење. Многи од њих су иза кулиса, међутим, можда се изненадите када знате да је пуно њих такође нешто што користите сваки дан.
Можда онај који највише користите је ваш лични асистент - тако је, попут Сири и Гоогле Нов-а користе машинско учење, углавном за боље разумевање образаца говора. Са толико милиона људи који користе Сири, систем је у стању озбиљно напредовати у поступању са језицима, нагласцима и тако даље.
Наравно, Сири није једина потрошачка примена машинског учења. Друга употреба је у банкарству, попут откривања превара. На пример, алгоритми машинског учења могу пратити обрасце потрошње, одређујући који обрасци имају вероватније преваре на основу претходних лажних активности.
У ствари, чак и ваша е-пошта можда користи машинско учење. На пример, проблем са нежељеном поштом је проблем који се временом развија. Системи е-поште користе машинско учење за праћење образаца нежељене е-поште и како се мијењају нежељене е-поруке, а затим их стављају у своју мапу нежељене поште на основу тих промјена.
Закључци
Машинско учење је постављено као велики део начина на који користимо напредну технологију и како нам технологија може помоћи. Од Сири до америчке банке, машинско учење постаје све прожимајуће и то ће се вјероватно наставити.
