Paul Downey | Flickr
Strojno učenje fraza je koja se sve češće muči, ali mnogi još uvijek ne znaju točno što je to. Naravno, postoji razlog za to. Još je u vrlo ranoj fazi i mnogi pretpostavljaju da još nije nešto što utječe na opću populaciju. Zapravo, to možda i nije tako istinito kao što neki pretpostavljaju.
Pa što je strojno učenje? I za što se danas koristi? Evo našeg vodiča o svemu što trebate znati o strojnom učenju.
Što je strojno učenje?
Strojno učenje, jednostavnije rečeno, oblik je umjetne inteligencije koji omogućava računalima da uče bez ikakvog dodatnog programiranja. Drugim riječima, softver je u stanju samostalno učiti nove stvari, bez da ih programer ili inženjer treba bilo čemu učiti. Strojno učenje je u stanju uzeti podatke i otkriti obrasce i naći rješenja, a zatim primijeniti ta rješenja na druge probleme.
Slika: K? Rlis Dambr? Ns | Flickr
Važno je napomenuti da strojno učenje kao koncept uopće nije novo - teško je pratiti precizno podrijetlo koncepta smatrajući da je onaj koji se spaja s drugim oblicima tehnologije. Mogli biste tvrditi da strojno učenje datira još od stvaranja Turingovog testa, koji je korišten za utvrđivanje ima li računalo inteligencije. Prvi računalni program koji je učio, međutim, bila je igra čekova koju je 1952. godine razvio Arthur Samuel. Ova je igra postajala sve bolja što se više igrala.
Novija tehnologija, međutim, drastično poboljšava strojno učenje. Na primjer, za strojno učenje potrebno je zanemariti količinu procesne snage i to toliko da smo tek u novoj povijesti počeli razvijati osnovno strojno učenje.
Nekoliko je glavnih načina na koji programeri primjenjuju strojno učenje. Prvi se naziva "nadzirano učenje". Ono što u osnovi znači jest da se stroj hrani problemima gdje je rješenje problema poznato. Algoritam učenja može primiti te probleme zajedno sa željenim ishodima, identificirati obrasce problema i djelovati u skladu s tim. Nadzirano učenje često se koristi za predviđanje budućih događaja - primjerice kada bi transakcija s kreditnom karticom mogla biti lažna.
Druga implementacija strojnog učenja naziva se "nenadzirano učenje". U ovom slučaju, ishod problema nije dat softveru - umjesto toga on se hrani problemima i mora otkriti obrasce u podacima. Ovdje je cilj pronaći strukturu u podacima koji su mu dani.
Treće gore je „učenje pod nadzorom“. Ova metoda strojnog učenja često se koristi za iste stvari kao i supervizirano učenje, ali uzima podatke s rješenjem i podatke bez njih. Naučno učenje pod kontrolom često se provodi kada su sredstva ograničena, a tvrtke nisu u mogućnosti pružiti puni niz podataka za proces učenja.
Posljednje, ali ne najmanje bitno, jest „učvršćivanje učenja“, koje se koristi posebno za stvari poput igara i robota. Učenje ojačanja u osnovi se uči putem pokušaja i pogreške - stroj pokušava stvari i uči na temelju svojih uspjeha ili neuspjeha. Cilj je da stroj postigne najbolje moguće ishode.
Naravno, sve ove metode strojnog učenja uključuju hranjenje stroja stotinama tisuća problema i ogromne količine podataka. Zaista, više podataka to bolje.
Gdje se danas koristi strojno učenje?
Slike novca | Flickr
Zapravo danas postoji puno mjesta na kojima se danas koristi strojno učenje. Mnogi su od njih iza kulisa, ali možda se iznenadite kada znate da je puno njih također nešto što koristite svaki dan.
Možda je onaj koji najviše koristite u vašem osobnom asistentu - to je točno, poput Siri i Google Now-a koriste strojno učenje, uglavnom za bolje razumijevanje obrazaca govora. S toliko milijuna ljudi koji koriste Siri, sustav je u stanju ozbiljno napredovati u postupanju s jezicima, naglascima i tako dalje.
Naravno, Siri nije jedina potrošačka primjena strojnog učenja. Druga je upotreba u bankarstvu, poput otkrivanja prijevara. Na primjer, algoritmi strojnog učenja mogu pratiti obrasce potrošnje, određujući koji će obrasci vjerovatno biti lažni na temelju prošlih lažnih aktivnosti.
U stvari, čak i vaša e-pošta možda koristi strojno učenje. Primjerice, problem s neželjenom poštom je problem i vremenom se razvijao. Sustavi e-pošte koriste strojno učenje za praćenje obrazaca neželjene pošte i kako se mijenjaju neželjene e-poruke, a zatim ih stavljaju u svoju mapu neželjene pošte na temelju tih promjena.
Zaključci
Strojno učenje postavlja se kao veliki dio načina na koji koristimo naprednu tehnologiju i kako nam tehnologija može pomoći. Od Siri do američke banke, strojno učenje postaje sve prožimajuće i to će se vjerojatno tek nastaviti.
