Перш ніж читати цю статтю, рекомендуємо прочитати Що за Data Science, що він робить і з якими цілями
Машина, анімована за допомогою алгоритму машинного навчання, перед початком експлуатації пройшла фазу навчання, тобто навчання, більш відому як навчання. На цьому етапі машина вивчає доступні історичні дані.
Перш ніж перейти до достоїнств машинного навчання та відмінностей між класичним програмуванням і машинним навчанням, давайте розглянемо приклад, який, безумовно, допоможе нам краще зрозуміти.
Припустімо, ми передаємо одній із наших програм інформацію про час у дорозі на автомагістралі за найкращих умов руху, щоб дати команду алгоритму, здатному реагувати на нас, як на голосового помічника.
Для кожного шляху ми передамо наступну інформацію алгоритму:
Потім через голосовий помічник ми повідомимо машині:
Оскільки ми передали дані через голосовий помічник, наша програма передасть таблицю такого типу:
Зрештою, якби нашу машину анімували за допомогою алгоритму машинного навчання, вона навчилася б на основі наданої інформації та передбачила результат у вигляді часу подорожі. Тому ми можемо поставити запитання нашій програмі: "від Турина до Мілана з 1000 автомобілями та дизелем ... скільки це займе часу?"
Приклад неточний, але досить реалістичний. Однак це допомагає підсумувати мету машинного навчання.
Беручи приклад із прикладу, давайте спробуємо побачити різницю між класичним програмуванням і машинним навчанням.
Традиційно програміст, який пише класичний код, повинен:
Тоді інтелект людини використовується для написання програмного коду, який може вирішити проблему.
У цьому випадку програмісту доведеться подумати про систему зберігання та структурування отриманої інформації. Згодом, коли оператор програми, написаної за допомогою класичного програмування, задає запитання, машина відповідає найближчою відомою інформацією, більш схожою на збережену.
У машинному навчанні цештучний інтелект програми, здатної вивчати історичні дані, створювати модель, яка буде застосована для вирішення проблеми, і, нарешті, машина робить модель доступною для програміста.
У машині, оживленій за допомогою машинного навчання, програма вчиться сама передбачати час у дорозі, тому що перед тим, як почати роботу, машина пройшла фазу навчання. Тоді машина навчилася реагувати найбільш розумною інформацією, найближчою до реальності на основі логіки, продиктованої та інтерпретованої моделлю.
У машинному навчанні модель стає серцевиною процесу. Після створення та навчання його можна зберігати доступним. Кожен новий запит із новими даними в тому самому форматі, що й ті, що використовуються для навчання, дасть новий результат.
Роль Data Scientist дещо змінюється, тобто він повинен буде супроводжувати програму до генерації моделі через етап навчання. Для цього він подбає про вибір стратегій, планування цілей, підготовку даних і, перш за все, тестування моделі, щоб перевірити її ефективність, а також будь-яку можливість вдосконалення.
Цей процес можна ітерувати, повторювати кілька разів з метою додавання покращених і реальних елементів до кожної ітерації. Таким чином ви можете наблизитися до оптимального рішення для подальших кроків, покращуючи навчання, покращуючи тест, а отже, і машину.
Кінцевою метою завжди є створення моделі, яка знає історичні дані, розуміє їх логіку та закономірності, а отже, здатна передбачити результат майбутніх ситуацій.
Ercole Palmeri: Пристрасть до інновацій
У поліклініці Катанії проведено операцію офтальмопластики за допомогою комерційного переглядача Apple Vision Pro…
Розвиток дрібної моторики за допомогою розфарбовування готує дітей до більш складних навичок, таких як письмо. Розфарбувати…
Військово-морський сектор є справжньою глобальною економічною силою, яка просунулася до 150-мільярдного ринку...
Минулого понеділка Financial Times оголосила про угоду з OpenAI. FT ліцензує свою журналістику світового рівня…