Што е машинско учење, за што се работи и неговите цели

Машинското учење е гранка на вештачката интелигенција која се занимава со емулирање на човечкото расудување со ставање на машината во позиција да учи од однесувањето, а со тоа и од историските податоци.

Пред да ја прочитате оваа статија ви препорачуваме да прочитате Што е Data Science, што прави и со кои цели

Машина анимирана со алгоритам за машинско учење, пред да влезе во услуга, помина низ фаза на учење, тоа е учење, попознато како обука. Во оваа фаза машината ги проучува историските податоци што се достапни.

Пред да навлеземе во заслугите на машинското учење и разликите помеѓу класичното програмирање и машинското учење, ајде да видиме пример кој сигурно ќе ни помогне подобро да разбереме.

Пример за машинско учење

Да претпоставиме дека комуницираме со една од нашите програми информации во врска со времето на патување на автопат во најдобри сообраќајни услови, за да укажеме на алгоритам способен да ни одговори како да е гласовен асистент.

За секоја патека ќе ги пренесеме следните информации до алгоритмот:

1. место на поаѓање и место на пристигнување
2. користени транспортни средства, специфицирајќи ја зафатнината и типот на моторот (електричен, хибриден, дизел, итн.)
3. вкупното време на патување

Потоа преку гласовниот асистент ќе одиме да и кажеме на машината:

• од Торино до Милано со 1000 моторни и бензински автомобили патувавме 1 час и 20 минути
• од Торино до Милано со мотор од 2000 и бензин патувавме 50 минути
• Од Торино до Милано патувавме 2000 минути со 40 мотори и електрични автомобили
• Од Торино до Милано патувавме 1200 минути со 50 бензински мотоцикли
• … и така натаму…

Како што ги доставувавме податоците преку гласовен асистент, нашата програма ќе нахрани табела од овој тип:

На крајот, ако нашата машина е анимирана со алгоритам за машинско учење, таа ќе научи од дадените информации и на тој начин ќе предвиди резултат во форма на време на патување. Затоа можеме да поставиме прашање до нашата програма: „од Торино до Милано со 1000 автомобили и дизел... колку време е потребно?

Примерот е неточен, но прилично реален. Сепак, помага да се сумира целта на машинското учење.

Земајќи го знакот од примерот, ајде да се обидеме да ја видиме разликата помеѓу класичното програмирање и машинското учење.

Што би се случило во класичното програмирање

Традиционално, програмерот кој пишува класичен код мора:

1. реши го проблемот што му се поставува;
2. напишете „детален“ алгоритам за решавање на проблемот;
3. напишете го кодот што го имплементира алгоритмот;
4. тестирајте го напишаниот код и проверете дали работи правилно.

Тогаш интелигенцијата на човекот се користи за да се напише програмскиот код кој може да го реши проблемот.

Во овој случај, програмерот ќе треба да размисли за систем за складирање и структурирање на добиените информации. Последователно, кога операторот на апликацијата, напишана со класично програмирање, ќе го постави прашањето, машината ќе одговори со најблиските познати информации, повеќе слични на зачуваните.

Што се случува во машинското учење

Во машинското учење, тоа евештачка интелигенција на програмата може да ги проучува историските податоци, да го креира моделот што треба да се примени за да се реши проблемот, и конечно машината го прави моделот достапен на програмерот.

Во машина анимирана со машинско учење, програмата учи сама да го предвидува времето на патување бидејќи пред да стапи во функција машината поминала низ фаза на учење. Тогаш машината научи да одговара со најразумните информации, најблиску до реалноста врз основа на логиката што ја диктира и толкува моделот.

Во машинското учење, моделот станува срцето на процесот. Откако ќе се генерира и едуцира, може да се чува на располагање. Секое ново барање со нови податоци, со ист формат како оние што се користат за обука, ќе произведе нов резултат.

А научникот за податоци?

Улогата на Data Scientist малку се менува, односно тој ќе мора да ја придружува програмата до генерирањето на моделот, низ фазата на обука. За да го направите ова, тој ќе се грижи за избор на стратегии, планирање цели, подготовка на податоците и пред се тестирање на моделот за да се потврди неговата ефикасност, како и секоја можност за подобрување.

Овој процес може да се повтори, да се повторува неколку пати со цел да се додадат подобрени и реални елементи на секое повторување. На овој начин можете да се приближите до оптималното решение за следните чекори, подобрување на обуката, подобрување на тестот, а со тоа и на машината.

Крајната цел е секогаш да се создаде модел кој ги знае историските податоци, ја разбира неговата логика и обрасци и затоа е способен да го предвиди исходот на идните ситуации.

Ercole Palmeri: Зависник од иновации