Çfarë do të thotë Mësimi i Makinerisë?

Sipas Wikipedia-s, mësimi i makinerive nuk është gjë tjetër veçse kompjuterët ose makineritë që kanë aftësinë për të mësuar vetë pa u programuar në mënyrë eksplicite. Është një nënfushë e shkencës kompjuterike. Kompjuterët aplikojnë teknika të të mësuarit statistikor për të identifikuar automatikisht modelet në të dhëna. Mësimi i makinerisë eksploron studimin dhe ndërtimin e algoritmeve që mund të mësojnë dhe të bëjnë parashikime mbi të dhënat.

Evolucioni i Mësimit të Makinerisë

Mësimi i makinerisë shënoi rrugën e tij në të kaluarën, rreth 50-60 vjet më parë. Në atë kohë, algoritmet nuk ishin në gjendje të performonin më mirë për shkak të mungesës së të dhënave të bollshme dhe mungesës së fuqisë llogaritëse. Pra, kur inteligjenca artificiale po përpiqej të shënonte ekzistencën e saj, asaj i mungonte mbështetja infrastrukturore dhe ishte një lloj prapambetja derisa në vitet '90 fuqia kompjuterike filloi të bëhej më e lirë dhe qëndrueshmëria e të dhënave për më shumë se 90 ditë u bë realitet.

Njohja e modelit dhe disa prej algoritmeve të tjera të lidhura me inteligjencën artificiale ishin teknika të hershme të mësimit të makinerive. Kjo ka qenë atje prej një kohe të gjatë, por ngadalë po fiton vrull. Një nga motivimet kryesore për t'i bërë makinat të mendojnë si njerëzit shkaktoi një epokë të shkencës së të dhënave.

Modelet e mësimit të makinerisë janë në gjendje të përshtaten në mënyrë të pavarur për shkak të një aspekti përsëritës të mësimit të makinës. Edhe nëse modelet ekspozohen ndaj të dhënave më të reja, modeli mund të mësojë nga llogaritjet e bëra më parë. Prodhimi i vendimeve dhe rezultateve të besueshme, të përsëritshme dhe ndihma e industrive për të marrë vendime të bazuara në të dhëna.

disa nga rastet e përdorimit të botës reale-

  • A e keni vënë re ndonjëherë llogarinë tuaj të postës elektronike, se si emailet e padëshiruara dhe jo të padëshiruara ndahen automatikisht?
  • Renditja e faqeve në Google - rezultatet e kërkimit të shfaqura nga google; më të mirat në krye.
  • Rekomandime të automatizuara të filmave të Netflix
  • Spotify mëson për preferencat tuaja muzikore
  • Funksionet "Ju gjithashtu mund të pëlqeni", "njerëz si ju blenë gjithashtu" në faqet e internetit të tregtisë elektronike
  • "Njerëzit që mund t'i njihni" në facebook
  • Makina autonome vetëdrejtuese nga Tesla, Google dhe shumë të tjera
  • Pajisjet ndihmëse personale të bazuara në inteligjencën artificiale si Alexa, Google home, Siri vazhdimisht mësojnë për sjelljen dhe preferencat tuaja
  • Chatbot të ndryshëm ju ndihmojnë më mirë ndërsa mësoni nga përdorues të tjerë në të njëjtën kohë duke përdorur disa teknika të përpunimit të gjuhës natyrore.
  • Zbulimi i mashtrimit, bankat po përdorin teknika të mësimit të makinerive për të shënuar transaksionet mashtruese dhe për të shpëtuar klientët e vërtetë që të mos bëhen viktima
  • Të gjitha përparimet gjenetike ndodhin si njohja e modelit të ADN-së
  • Sisteme të ndryshme të monitorimit të shëndetit të drejtuara nga të dhënat
  • Matematika sasiore financiare për tregtimin e aksioneve
  • Google Maps që ju sugjeron një rrugë alternative në kohë reale
  • Sistemet e njohjes së fytyrës
  • Sistemet e reklamave të synuara

Dhe shumë më tepër! Ne po shkojmë drejt një epoke ku do të gjejmë mësimin e makinerive në çdo fushë të jetës. Pajisje të ndryshme do të mësojnë nga modelet ekzistuese dhe ndërveprimi njerëzor.

Duke e bërë përvojën tonë me teknologjinë më të qetë dhe të personalizuar.

Bazat e mësimit të makinerisë

Çelësi për mësimin e makinerive janë të dhënat dhe shumë të dhëna. Modeli ose algoritmi që funksionon në shumë të dhëna dhe kur jepen të dhëna të reja, ai parashikon modelin e ngjashëm.

Më shumë të dhëna se kurrë + fuqia përpunuese e përballueshme + ruajtja e lirë + algoritmet e sofistikuara janë bërë çelësi i botës së suksesshme të mësimit të makinerive.

për zgjidhjen e problemeve të mësimit të makinerisë nevojiten këto:

  1. Përgatitja e të dhënave ose inxhinieria e veçorive
  2. Algoritmet e modelit - bazë ose të avancuar
  3. Procesi përsëritës dhe i automatizuar i vendosjes
  4. Makinat në shkallë
  5. Cikli i reagimit të përdoruesit për rezultatet e parashikimit

Pse është kaq i rëndësishëm Mësimi i Makinerisë në botën aktuale?

Duke rifituar hijeshinë e tij, mësimi i makinerive po bëhet thelbi i teknologjive të botës reale. Kompanitë po përdorin vazhdimisht këto teknologji për të zgjidhur disa nga problemet kritike që kanë qenë në sipërfaqe për një kohë. Me bollëkun e të dhënave, gjithnjë e më shumë modele mund të mësohen nga përdorimi i fuqisë së sofistikuar të përpunimit në pak sekonda. Kjo është për t'u ofruar përdoruesve fundorë, kryesisht njerëzve prej nesh, lehtësinë e përdorimit të teknologjisë dhe kursimin e kohës.

Mundësia e analizimit të shpejtë dhe automatikisht të të dhënave më të mëdha, komplekse dhe të mëdha për të dhënë rezultate më të shpejta me saktësi është magjepsëse. Ndoshta kjo është arsyeja pse ajo është bërë një nga punët më interesante në fushën e shkencës kompjuterike tani.

Në botën e sotme, ne jemi prodhues dhe konsumator të modeleve të mësimit të makinerive. Në fakt janë të dhëna të krijuara nga ne dhe për ne.

Mësimi i Makinerisë dhe aplikimet e tij

Vështrimet e drejtuara nga të dhënat po i ndihmojnë industritë të performojnë mirë dhe të jenë më efikase. Më poshtë janë disa nga industritë e njohura që përfitojnë plotësisht:

  • Shërbimet financiare
  • Qeveria
  • Transporti
  • Kerkim ne rrjet
  • Makina vetëdrejtuese
  • Robotika
  • Marketingu dhe shitjet
  • Kujdesit shëndetësor

Analiza e të dhënave të mësimit të makinerisë dhe inxhinieria e veçorive

Për të përdorur të dhënat për një model të mësimit të makinës, të dhënat duhet të përgatiten në formatin e përdorshëm. Kjo kërkon mjaft përpjekje inxhinierike për të përgatitur bazën e duhur të të dhënave për problemin që ata po zgjidhin. Shpesh një vëllim i madh i të dhënave nga burime të shumta duhet të kombinohet. Platformat e të dhënave të mëdha si Hadoop përdoren si shtylla kurrizore e një tubacioni të tillë.

Është shumë e rëndësishme të kuptosh të dhënat duke i analizuar fillimisht duke përdorur disa nga masat statistikore. Analiza e hershme e të dhënave llogaritet për matjen e shpërndarjes së të dhënave, zbulimin e anomalive etj. Në përgjithësi, inxhinieria e veçorive është procesi i përdorimit të njohurive të domenit të të dhënave për të krijuar veçori që konsumon dhe përdor algoritmi i mësimit të makinës për të parashikuar.

Metodat e mësimit të makinerisë

Ka pak metoda të përshtatura mirë të mësimit të makinerive, si modelet e mësimit të mbikëqyrur, ku grupi i trajnimit është tashmë i disponueshëm (të dhënat janë etiketuar me përgjigjet e synuara që modeli mund të konsumojë drejtpërdrejt), mësimi i pambikëqyrur ku të dhënat e etiketuara nuk janë të disponueshme, mësimi përforcues ku çdo veprim tjetër është mësuar nga veprimi i mëparshëm për gjendjen e dhënë.

Mësimi i Mbikëqyrur i Makinerisë:është të ndërtosh një model që bën parashikime të bazuara në prova në prani të pasigurisë.

  • të identifikojë modelet në të dhëna,
  • një kompjuter “mëson” nga vëzhgimet.
  • merr një grup të njohur të dhënash hyrëse
  • përgjigjet e njohura ndaj të dhënave (output),
  • trajnon një model për të gjeneruar parashikime të arsyeshme për përgjigjen ndaj të dhënave të reja.

Klasifikimi, qëllimi është që të caktohet një klasë (ose etiketë) nga një grup i kufizuar klasash në një vëzhgim. (Përgjigjet janë kategorike)

  • filtrat e spamit
  • sistemet e rekomandimit të reklamave,
  • Njohja e imazhit dhe e të folurit.
  • Parashikimi nëse një pacient do të ketë një atak në zemër brenda një viti

Regresioni, qëllimi është të parashikohet një matje e vazhdueshme për një vëzhgim. (Variablat e përgjigjeve janë numra realë)

  • parashikimi i çmimeve të aksioneve
  • konsumim i energjise
  • incidenca e sëmundjes

Një teknikë e thjeshtë mësimore e mbikëqyrur

Hapat:

  • Përgatitni të dhënat
  • Zgjidhni një algoritëm: Shembull -
  • Klasifikuesi/regresioni linear,
  • Makina mbështetëse vektoriale,
  • Pemët e vendimit etj
  • Përshtat një model
  • Zgjidhni një metodë vërtetimi
  • Ekzaminoni Fit dhe përditësoni derisa të jeni të kënaqur
  • Përdorni modelin e përshtatur për parashikime

Mësimi i makinerisë pa mbikëqyrje: Mësimi i pambikëqyrur është një lloj algoritmi i mësimit të makinës që përdoret për të nxjerrë përfundime nga grupet e të dhënave që përbëhen nga të dhëna hyrëse pa përgjigje të etiketuara.

Analiza e grupimeve, analiza e të dhënave eksploruese për të gjetur modele të fshehura ose grupim në të dhëna.

Algoritmet e zakonshme të grupimit përfshijnë:

k-Menson grumbullimin: ndan të dhënat në k grupime të veçanta bazuar në distancën nga qendra e një grupimi

Hartat vetë-organizuese: përdor rrjetet nervore që mësojnë topologjinë dhe shpërndarjen e të dhënave

Modelet e fshehura të Markovit: përdor të dhënat e vëzhguara për të rikuperuar sekuencën e gjendjeve

Përdoren metoda mësimore të pambikëqyrura

  • në bioinformatikë për analizën e sekuencës
  • grumbullimi gjenetik;
  • në gërmimin e të dhënave për nxjerrjen e sekuencës dhe modelit;
  • në imazherinë mjekësore për segmentimin e imazhit; dhe
  • në vizionin kompjuterik për njohjen e objekteve

Mjetet dhe Zgjidhjet e Mësimit të Makinerisë

  • Mësimi i Makinerisë AWS
  • Mësimi i makinerive në renë kompjuterike të Google
  • Përdorimi i Scikit Learn në Python
  • R
  • ML Lib i Spark
  • Matlab

Referencat:

https://en.wikipedia.org/wiki/Machine_learning

https://www.sas.com/en_us/insights/analytics/machine-learning.html

Libër- Elementet e të mësuarit statistikor