Strojové učení je poměrně vzrušující obor a je to tak správně. V tomto moderním světě je všude kolem nás. Strojové učení nachází své uplatnění téměř v každém aspektu našeho života, od informačního kanálu na Facebooku až po mapy Google pro navigaci.

Je docela děsivé a zajímavé pomyslet na to, jak by vypadal náš život bez využití strojového učení. Proto se stává poměrně důležitým pochopit, co je strojové učení, jaké má aplikace a jaký je jeho význam. abych vám pomohl porozumět tomuto tématu, uvedu odpovědi na několik důležitých otázek o strojovém učení.

Než si však na tyto otázky odpovíme, je důležité se nejprve seznámit s historií strojového učení.

Krátká historie strojového učení

Možná si myslíte, že strojové učení je relativně nové téma, ale ne, pojem strojové učení se objevil v roce 1950, kdy Alan Turing (ano, ten z Imitation Game) publikoval článek, ve kterém odpověděl na otázku „Mohou stroje myslet?“.

V roce 1957 Frank Rosenblatt navrhl první neuronovou síť pro počítače, která se dnes běžně nazývá model Perceptron.

V roce 1959 Bernard Widrow a Marcian Hoff vytvořili dva modely neuronových sítí nazvané Adeline, který dokázal detekovat binární vzory, a Madeline, který dokázal eliminovat ozvěnu na telefonních linkách.

V roce 1967 byl napsán algoritmus nejbližšího souseda, který umožnil počítačům používat velmi základní rozpoznávání vzorů.

Gerald DeJonge v roce 1981 představil koncept učení založeného na vysvětlení, při kterém počítač analyzuje data a vytváří obecné pravidlo pro vyřazení nedůležitých informací.

V průběhu 90. let 20. století se práce na strojovém učení posunula od přístupu založeného na znalostech k přístupu více založenému na datech. V tomto období začali vědci vytvářet programy pro počítače, které analyzují velké množství dat a z výsledků vyvozují závěry nebo se „učí“. Což nakonec přesčas po několika vývojových etapách zformulovali do moderní éry strojového učení.

Pokud chcete vědět, jaké jsou některé důležité otázky k pohovoru o strojovém učení, sledujte blog na téma Otázky k pohovoru o strojovém učení.

Když už víme o původu a historii ml, začněme odpovědí na jednoduchou otázku – Co je strojové učení?

Co je to strojové učení?“

Přemýšleli jste někdy o tom, jak vám funkce „Lidé, které možná znáte“ na Facebooku vždy poskytne skutečný seznam lidí, které skutečně znáte v reálném životě a s nimiž byste se měli spojit i na Facebooku? Jak se o tom Facebook dozvídá? Jak toto doporučení provádí?

No, odpovědí na tuto otázku je strojové učení.

Definice strojového učení podle Toma Mitchella:

„Obor strojového učení se zabývá otázkou, jak konstruovat počítačové programy, které se automaticky zlepšují s přibývajícími zkušenostmi.“

Zjednodušeně řečeno, strojové učení je obor informatiky, který umožňuje, aby se stroj dokázal učit sám, aniž by byl explicitně naprogramován.Zde je třeba poznamenat, že algoritmy ML se mohou samy učit na základě předchozích zkušeností, stejně jako to dělají lidé. Když jsou vystaveny novým datům, tyto algoritmy se samy učí, mění a rozvíjejí, aniž byste museli pokaždé měnit kód.

Takže v podstatě dochází k tomu, že místo toho, abyste pokaždé psali kód pro nový problém, jednoduše nakrmíte algoritmus ML daty a algoritmus/stroj na základě daných dat sestaví logiku a poskytne výsledky.Zpočátku nemusí mít získané výsledky vysokou přesnost, ale postupem času se přesnost ml algoritmů zvyšuje, protože průběžně provádí úlohy.

Jak fungují algoritmy strojového učení?

Algoritmy strojového učení využívají různé techniky pro zpracování velkého množství složitých dat k rozhodování. Tyto algoritmy plní úlohu učení z dat s konkrétními vstupy zadanými stroji. Je důležité pochopit, jak tyto algoritmy a systém strojového učení jako celek fungují, abychom se dozvěděli, jak je lze v budoucnu využít.

Vše začíná trénováním algoritmu strojového učení pomocí trénovací sady dat k vytvoření modelu. Když se do algoritmu ML vloží nová vstupní data, provede předpověď. předpovědi a výsledky se vyhodnocují z hlediska přesnosti.

Pokud předpověď neodpovídá očekávání, algoritmus se znovu a znovu trénuje, dokud se nezíská požadovaný výstup. Díky tomu se ml algoritmus sám učí a vytváří optimální odpověď, jejíž přesnost se bude v průběhu času postupně zvyšovat.

Po dosažení požadované úrovně přesnosti je algoritmus strojového učení nasazen.

Vysvětlím vám, jak strojové učení funguje, na jednoduchém příkladu:

Když ve vyhledávači Google hledáte „obrázky lvů“ (jak je vidět na obrázku níže), Google je neuvěřitelně dobrý v přinášení relevantních výsledků, ale jak tohoto úkolu Google dosahuje?

• Google nejprve získá velké množství příkladů(souborů dat) fotografií označených jako „LION“.
• Poté algoritmus strojového učení hledá vzory pixelů a vzory barev, které mu pomohou předpovědět, zda je na obrázku „LION“.
• Počítače společnosti Google nejprve náhodně odhadnou, jaké vzory jsou dobré k tomu, aby identifikovaly obrázek LIONa.
• Pokud se spletou, provede se řada úprav, aby se algoritmus trefil.
• Nakonec se takovou sbírku vzorů naučí velký počítačový systém po vzoru lidského mozku, který po vyškolení dokáže správně identifikovat a přinést přesné výsledky obrázků LVŮ ve vyhledávači Google.

Pokud byste měli na starosti sestavení algoritmu strojového učení, který by se snažil identifikovat obrázky mezi lvy a tygry. Jak budete postupovat?

Prvním krokem, jak jsem vysvětlil výše, by bylo shromáždit velké množství označených obrázků s nápisem „LION“ pro lvy a „TIGER“ pro tygry.

Poté vycvičíme počítač, aby na obrázcích hledal vzory pro identifikaci lvů, respektive tygrů.

Jakmile bude model strojového učení vycvičen, můžeme mu zadat(vstup) různé obrázky a zjistit, zda dokáže správně identifikovat lvy a tygry zvlášť. Jak je vidět na obrázku výše, vycvičený model strojového učení dokáže správně identifikovat takové dotazy.

Když už víme, jak algoritmus strojového učení funguje, měli bychom se do tohoto tématu ponořit trochu hlouběji a prozkoumat různé typy strojového učení.

Typy strojového učení

Strojové učení se obecně dělí na tři hlavní oblasti, učení pod dohledem, učení bez dohledu a posilování. Každá z nich má specifické působení a účel a přináší konkrétní výsledky pomocí různých typů dat.

Supervised machine learning

Supervised learning zjednodušeně řečeno znamená trénování modelu strojového učení stejně jako trenér trénuje pálkaře.

Při supervised learning se stroj učí pod vedením označených dat, tj. známých dat. Tato známá data jsou předávána modelu strojového učení a slouží k jeho trénování. Jakmile je model vycvičen pomocí známé sady dat, můžete pokračovat a podávat modelu neznámá data, abyste získali novou odpověď.

Neřízené strojové učení

Neřízené strojové učení zjednodušeně řečeno znamená, že ml model je soběstačný v učení sám o sobě.

Při neřízeném strojovém učení není takové poskytování označených dat. Tréninková data jsou neznámá nebo neoznačená. Tato neznámá data jsou předávána modelu strojového učení a slouží k jeho trénování. Model se snaží najít vzory a vztahy v souboru dat tím, že v něm vytváří shluky. Zde je třeba poznamenat, že učení bez dohledu není schopno přidávat ke shlukům štítky. Nemůže například říci, že se jedná o skupinu pomerančů nebo manga, ale oddělí všechny pomeranče od manga.

Posilněné strojové učení

V tomto případě se stroj učí metodou hit and trial. Kdykoli model předpovídá nebo produkuje výsledek, je penalizován, pokud je předpověď chybná, nebo odměněn, pokud je předpověď správná. Na základě těchto akcí se model sám trénuje.

Chcete vědět, jaké dovednosti jsou potřeba k tomu, abyste se stali inženýrem strojového učení, sledujte toto interaktivní video na téma Dovednosti potřebné k tomu, abyste se stali inženýrem strojového učení, a dozvíte se o nich podrobně.

Po pochopení základních pojmů a typů strojového učení si myslím, že nyní jsme na správné pozici, abychom pochopili jeho význam a jeho aplikace.

Proč je strojové učení důležité?“

„Stejně jako před 100 lety elektřina transformovala téměř všechno, dnes mám vlastně problém představit si odvětví, které podle mého názoru umělá inteligence v příštích několika letech nezmění.“

Proč je strojové učení důležité? —– Andrew Ng

Myslím, že většina z vás s tím bude souhlasit. Je poměrně těžké si představit nějakou průmyslovou činnost, která by se obešla bez využití strojového učení nebo umělé inteligence. strojové učení je důležité díky širokému spektru využití a neuvěřitelné schopnosti přizpůsobit se a poskytovat řešení složitých problémů efektivně, účinně a rychle.

Pro lepší pochopení významu strojového učení si dovolím pokračovat a vyjmenovat některé případy, kde se strojové učení uplatňuje: online doporučovací systémy společností Facebook, Netflix, Amazon, Siri společnosti Apple, která odpovídá na vaše dotazy, rozpoznávání obličejů. je pro vás docela těžké si představit provádění výše uvedených úkolů bez použití strojového učení.

Aplikace strojového učení

Strojové učení je všude. Vzhledem k širokému spektru aplikací strojového učení je možné, že jej tak či onak využíváte a ani o tom nevíte. níže uvedu několik aplikací strojového učení.

Virtuální osobní asistent: Siri, Alexa, Google některé z běžných příkladů virtuálních osobních asistentů. Ti pomáhají při vyhledávání informací na dotaz položený hlasem. Při zodpovídání dotazu vyhledávají tito osobní asistenti informace, které připomínají související dotazy nebo posílají příkaz jiným zdrojům za účelem shromáždění informací. Nedílnou součástí fungování osobních asistentů je strojové učení, protože shromažďují a zpřesňují informace na základě vašich předchozích dotazů. Později je tento zpřesněný soubor dat použit k poskytnutí výsledků, které jsou přizpůsobeny vašim preferencím.

Rozpoznávání obličeje: Stačí se na telefon podívat a telefon se odemkne. Fotoaparát v telefonu rozpozná jedinečné rysy a výstupky na vašem obličeji pomocí zpracování obrazu (součást strojového učení), aby identifikoval, že osoba odemykající telefon není někdo jiný, ale vy. Celý proces na zadní straně komplikovaný, ale na přední straně se zdá být jednoduchou aplikací ML.

Filtr e-mailového spamu: Jak vaše poštovní schránka automaticky rozpozná, zda je přijatý e-mail spam, nebo ne? Tak tady je opět třeba poděkovat ML. Filtr e-mailového spamu používá model strojového učení pod dohledem k odfiltrování nevyžádaných e-mailů z vaší poštovní schránky.

Recommendation engine na webu elektronického obchodu: Přemýšleli jste někdy o tom, jak Amazon nebo Flipkart zobrazují relevantní produkty po nákupu na jejich platformě. V tom spočívá kouzlo ML.

Když si uživatel něco koupí na webu elektronického obchodu, uloží si data o nákupu pro budoucí použití a najde produkty, které si uživatel v budoucnu s největší pravděpodobností koupí. To je možné díky modelu algoritmu strojového učení budoucnosti, který dokáže identifikovat vzory v daném souboru dat.

Mezi další aplikace strojového učení patří:

• Odhalování podvodů online
• Služby sociálních médií, jako jsou „Lidé, které možná znáte“ na Facebooku, „Podobné piny“ v Pinterestu
• Online zákaznická podpora aj.Tj. chatbot
• Zpřesňování výsledků vyhledávačů
• Předpovědi při dojíždění do práce pomocí Google Maps

Předpoklady pro strojové učení

Pokud máte zájem dozvědět se více o strojovém učení, je třeba splnit několik požadavků, abyste mohli v tomto oboru vyniknout. Mezi tyto požadavky patří:

• Základní znalost programovacích jazyků, jako je Python nebo R.
• Dobrá znalost statistiky a pravděpodobnosti
• Pochopení lineární algebry a kalkulu
• Modelování dat pro hledání variací a vzorů v daném souboru dat

Všechny výše uvedené předpoklady jsou nutností, abyste se mohli učit strojové učení.

Pokud se chcete naučit strojové učení od začátku, můžete se podívat na certifikační kurz Machine Learning pro stupeň Verzeo. Nemusíte si dělat starosti s výše uvedenými předpoklady, protože všechny budou zahrnuty v certifikačním kurzu pro degree. doufám, že jsem vyjasnil všechny vaše pochybnosti týkající se strojového učení a jeho použití.

Pokud již strojové učení znáte a hledáte stáž, můžete se podívat na program Machine Learning Internship společnosti Verzeo.

Pokud hledáte další certifikační kurzy v oblasti informatiky, sledujte níže uvedené odkazy:

Certifikační program pro vývoj webových aplikací s plným zásobníkem

Certifikační program pro umělou inteligenci

Certifikační program pro datovou vědu

nebo můžete také sledovat naše webové stránky a prozkoumat různé stáže a certifikační programy nabízené společností Verzeo.

.