Понимание машинного обучения, не требующего математики

Позвольте мне сначала прояснить: я не эксперт в машинном обучении, но я такой же человек, как и многие из вас, кто хочет узнать обо всех этих определениях, алгоритмах и приложениях ML. К счастью, я понял, что лучший способ учиться - это учить. Расскажите мне, когда вы в последний раз пытались кого-то чему-то научить, а потом только обнаруживаете, что это помогает вам более глубоко запомнить эту конкретную вещь.

Я начал заниматься машинным обучением довольно поздно, когда это уже было шумихой и гудело по всему Интернету. Я прошел несколько статистических и вероятностных курсов в университете, а затем прошел стажировку в аспирантуре по технологии распознавания речи. Именно тогда меня удивило, что машинное обучение всегда было то тут, то там. Машинное обучение скоро станет основополагающим принципом для всех остальных технологий. Независимо от того, изучаете ли вы экономику, законы, медицину, психологию или что-то в этом роде, вам рано или поздно понадобится машинное обучение в вашей собственной области. Все возвращается к тому моменту, когда мы впервые сели в начальный класс, и учитель сказал, что прежде всего нужно выучить одну вещь: математику.

"Но эй! Подождите секунду, вы сказали, что я могу понять машинное обучение, не требуя математики. Почему я могу продолжать читать, если остальная часть этой статьи посвящена некоторым уравнениям, придуманным ребятами из книг на руках и очках на лице? » Не волнуйтесь так сильно, я сказал, что вам не нужна математика, но на самом деле я немного соврал. Вам не нужно вычислять последние три числа Пи, чтобы оценить площадь вашего дома. Все, что нам нужно, это основы алгебры, чтобы понять, как работает машинное обучение, точно так же, как 2 плюс 2 равно 4 минус 1 равно 3, быстрые математические вычисления, верно?

Хорошо, никаких пустых разговоров, давайте приступим к сегодняшней проблеме с помощью самого первого вопроса: Что такое машинное обучение? Слышали вы когда-нибудь о нем или нет, иногда вам может быть интересно, правильно ли вы его понимаете. Я здесь не для того, чтобы научить вас всему, чему вы легко можете научиться в Интернете (наберите курс машинного обучения в Google, и вы получите 133 000 000 результатов). Я здесь чтобы обсудить с вами, что я думаю о машинном обучении с моей точки зрения. Позвольте мне синтаксически разделить это машинное обучение на две части с помощью некоторых «скучных» определений, которые я нашел в Википедии:

• Машина: машина использует силу для приложения сил и управления движением для выполнения намеченного действия. Они также могут включать компьютеры и датчики, которые контролируют производительность и планируют движение, часто называемые механическими системами.
• Обучение: процесс приобретения новых или изменения существующих знаний, поведения, навыков, ценностей или предпочтений.

И, наконец, мое любимое определение машинного обучения из книги Тома Митчелла.

Считается, что компьютерная программа учится на опыте E в отношении некоторого класса задач T и показателя производительности P, если ее производительность в задачах T, измеренная с помощью P, улучшается с опытом E.

«Вау, ты сбиваешь меня с толку, приятель, пожалуйста, не давай мне просто кучу определений и не говори, чтобы я с этим разобрался». Мы переходим к делу, немного терпения. Короче говоря, машинное обучение можно рассматривать как процесс, при котором машины, особенно компьютеры, на самом деле изучают что-то. Теперь позвольте мне взять пример: кофеварка. Это не совсем компьютер, но для простоты из него было бы неплохо.

У моей кофемашины всего две кнопки: старт и стоп. Когда я нажимаю кнопку запуска, он готовит кофе, а другая кнопка останавливает, так просто. Теперь я думаю, что кофеварка работает хорошо, машина будет делать именно то, что ей сказали. Лично я считаю, что именно эта «глупость» делает все машины эффективными. Мы, люди, едва ли можем выполнять то, на что способны машины. У нас есть эмоции, мы можем устать и так далее. Вернемся к кофеварке. Я настолько жаден и не доволен обычной машиной, я хочу что-то более умное и уметь учиться. Я хочу, чтобы каждый раз, когда я просыпался, за столом для меня был приготовлен кофе. Как это может сделать кофеварка? Представьте, что теперь я оснащаю свою машину новым «мозгом», способным учиться. У меня плотный график, поэтому я сообщаю этому новому мозгу, когда просыпаюсь на относительно долгий период времени, - говорит на 1 год. Мозг каким-то образом запомнит всю эту информацию и скажет, что машина каждое утро готовит для меня кофе безупречного вкуса.

«Все еще нечетко об этом примере?» Давайте поместим это в контекст приведенного выше определения. На чем учится этот E мозг, стоящий за кофемашиной? Это моя привычка или часы моего бодрствования. Задача T здесь - приготовление кофе, и мы можем измерить эффективность P этой задачи за время от момента, когда я встал с постели до моего первого кофе. Таким образом, чем больше я кормлю мозг своим расписанием, тем лучше он будет готовить мою утреннюю чашку кофе.

Мое собственное определение машинного обучения

Машинное обучение - это процесс, при котором машина сохраняет свою точность и эффективность, при этом учится по-разному выполнять одну и ту же задачу в зависимости от того, что она получила от внешних факторов.

Мы все смотрим на одно и то же явление с разных сторон, поэтому можно дать разные определения машинного обучения. Я надеюсь, что у вас будут свои собственные слова, чтобы описать то, что вы заметили об этой интересной тенденции в этой технологии. До сих пор вы должны понимать, почему машинное обучение так важно в новом мире, где мы можем заставлять машины делать то, на что они никогда не были способны. Я думаю, что это так же важно, как открытие огня или электричества, потому что мы можем управлять нашим обществом на совершенно новом уровне.

Я представлю вам несколько видов различных техник машинного обучения на тот случай, если вы захотите найти их в Интернете или запутаетесь на уроке.

• Контролируемое обучение: здесь машине говорят, что нужно учить, или, другими словами, она учится на основе пары значений - входных и выходных. Когда я рассказываю своему двухлетнему двоюродному брату об автомобилях, я ожидаю, что он скажет «грузовик», а не «мотоцикл» или «велосипед», когда на картинке изображен грузовик. То же самое происходит при обучении с учителем. Мы обучаем машину с большим количеством (ввод, вывод), и мы ожидаем, что в следующий раз она предскажет правильный вывод при вводе. Некоторые применения этого метода - классификация изображений, обнаружение объектов, распознавание речи и т. Д., Хотя реальная проблема намного сложнее, чем в моем примере.

• Неконтролируемое обучение: здесь у нас нет какой-либо конкретной цели для обучения машины. Мы просто даем ему несколько вещей и надеемся, что он сможет вывести что-то интересное. Я могу вспомнить один хороший пример, когда у нас есть много статей из газет и мы не знаем, какая из них относится к экономике, политике или спорту. Затем мы загружаем в машину содержание статей, и она каким-то образом может выбрать, какие из них принадлежат. Это называется кластеризацией, когда мы хотим вывести много классов данных, и это также самое важное применение этой техники.
• Обучение с подкреплением: если честно, я еще коснулся этой области машинного обучения, но слышал, что его можно будет хорошо применить в области робототехники. Это определение в Википедии: «Обучение с подкреплением (RL) - это область машинного обучения, вдохновленная бихевиористской психологией, которая связана с тем, как программные агенты должны выполнять действия в среде , чтобы максимизировать понятие кумулятивного вознаграждения ».