В последние годы термин «машинное обучение» стал больше, чем модным словом. Это меняет то, как мы ведем бизнес и принимаем решения каждый день. Фактически, машинное обучение использовалось во многих приложениях, таких как:

  • Спам-фильтр в вашем почтовом приложении (для классификации спама / не-спама)
  • Система рекомендаций Netflix (для классификации фильмов, которые вам нравятся / не нравятся)
  • Функция распознавания лица в телефоне для разблокировки телефона

Поскольку машинное обучение становится все более и более ценным в нашей повседневной жизни, нам важно понимать, что это такое и как работает. Но машинное обучение кажется высокотехнологичным и пугающим для людей, не занимающихся компьютерными науками. Эта статья поможет вам понять базовую концепцию машинного обучения с помощью пары простых примеров (и без головной боли).

Простая математическая задача

Примечание. Этот пример вдохновлен статьей, написанной Яш Сони.

Предположим, вы изучаете математику. Вместо того, чтобы научить вас математике, учитель дает вам несколько практических задач с ответами следующим образом:

  • 2 –> 4
  • 4 –> 8
  • 8 –> 16
  • 16 –> 32

Затем учитель задает вам задачу, на которую вам нужно ответить:

  • 32 –> ?

Для решения проблемы вам не нужно заранее заданное уравнение. Вы можете легко ответить на эту проблему (ответ, очевидно, 64), потому что вы узнали из практических задач. Это основная концепция машинного обучения: алгоритмы машинного обучения учатся на данных, чтобы принять решение о конкретной проблеме.

Давайте рассмотрим еще один пример, чтобы прояснить вам концепцию машинного обучения.

Банан или не банан

Примечание. Этот пример вдохновлен статьей, написанной Кэсси Козыркова.

Допустим, вам дано фото ниже и вы должны решить, банан это или нет:

Конечно, вам легко решить, банан это или нет (если вы раньше не видели банан). Но что, если вы хотите, чтобы компьютер выполнял ту же задачу (то есть классифицировал фотографии как банановые / не-банановые)?

Вы можете обучить компьютер "машинному обучению", предоставив ему коллекцию примеров банановых и небанановых фотографий, и позволить компьютеру определить схему классификации фотографий.

Другими словами, нам не нужно указывать какие-либо явные инструкции компьютеру. Нам просто нужно предоставить компьютеру несколько примеров и позволить алгоритму машинного обучения найти закономерности в заданных данных (в данном случае на фотографиях) и превратить их в схему классификации.

Основываясь на приведенных выше примерах, суть концепции машинного обучения заключается в том, чтобы позволить алгоритмам «учиться на собственном опыте». Алгоритмам машинного обучения дается набор практических задач, затем они пытаются найти естественные закономерности в рамках практических задач, чтобы найти метод решения этих проблем.

Машинное обучение фокусируется на обучении компьютеров тому, как учиться без необходимости программирования для выполнения конкретных задач. - Суджит Пал и Антонио Гулли в Глубокое обучение с Керасом.

Надеюсь, эта короткая статья поможет вам понять смысл машинного обучения. Спасибо, что заглянули и увидимся в других рассказах!