211service.com
Kas ir mašīnmācība?
Kas ir mašīnmācība? Kārena Hao
Mašīnmācīšanās algoritmi ir atbildīgi par lielāko daļu mākslīgā intelekta sasniegumu un lietojumprogrammu, par kurām jūs dzirdat. (Lai iegūtu plašāku informāciju, skatiet mūsu pirmo blokshēmu par tēmu “Kas ir AI?” šeit.)
Kāda ir mašīnmācības definīcija?
Mašīnmācības algoritmi izmanto statistiku, lai atrastu modeļus masveida* datu apjomos. Un dati šeit ietver daudzas lietas — skaitļus, vārdus, attēlus, klikšķus un to, kas jums ir. Ja to var saglabāt digitāli, to var ievadīt mašīnmācības algoritmā.
Mašīnmācība ir process, kas nodrošina daudzus pakalpojumus, kurus mēs šodien izmantojam, piemēram, ieteikumu sistēmas, piemēram, Netflix, YouTube un Spotify; meklētājprogrammas, piemēram, Google un Baidu; sociālo mediju plūsmas, piemēram, Facebook un Twitter; balss palīgi, piemēram, Siri un Alexa. Saraksts turpinās.
Visos šajos gadījumos katra platforma apkopo pēc iespējas vairāk datu par jums — kādus žanrus jums patīk skatīties, uz kādām saitēm jūs noklikšķināt, uz kādiem statusiem reaģējat, un izmanto mašīnmācīšanos, lai izdarītu augsti izglītotu minējumu par jūsu saturu. varētu vēlēties nākamo. Vai arī balss asistenta gadījumā par to, kuri vārdi vislabāk atbilst smieklīgajām skaņām, kas nāk no jūsu mutes.
Atklāti sakot, šis process ir diezgan vienkāršs: atrodiet modeli, pielietojiet modeli. Bet tas diezgan daudz vada pasauli. Tas lielā mērā ir pateicoties 1986. gada izgudrojumam, ko sniedza Džefrijs Hintons, kurš mūsdienās tiek dēvēts par dziļās mācīšanās tēvu.
Kas ir dziļa mācīšanās?
Padziļinātā mācīšanās ir mašīnmācīšanās ar steroīdiem: tajā tiek izmantota tehnika, kas nodrošina mašīnām uzlabotu spēju atrast un pastiprināt pat vismazākos modeļus. Šo paņēmienu sauc par dziļo neironu tīklu — dziļo, jo tajā ir daudz, daudzi vienkāršu skaitļošanas mezglu slāņi, kas darbojas kopā, lai izsmeltu datus un sniegtu gala rezultātu prognozes veidā.
Kas ir neironu tīkli?
Neironu tīklus neskaidri iedvesmoja cilvēka smadzeņu iekšējā darbība. Mezgli ir līdzīgi neironiem, un tīkls ir kā pašas smadzenes. (Pētniekiem, kuri raustas par šo salīdzinājumu: beidziet pūkot analoģiju. Tā ir laba līdzība.) Taču Hintons publicēja savu izrāvienu rakstu laikā, kad neironu tīkli bija izgājuši no modes. Neviens īsti nezināja, kā viņus apmācīt, tāpēc viņi nedeva labus rezultātus. Pagāja gandrīz 30 gadi, lai tehnika atgrieztos. Un zēns, vai tas atgriezās.
Kas ir uzraudzīta mācīšanās?
Pēdējā lieta, kas jums jāzina: mašīnmācībai (un dziļai) ir trīs iespējas: uzraudzīta, bez uzraudzības un pastiprināšana. Uzraudzītajā apmācībā, kas ir visizplatītākā, dati tiek marķēti, lai mašīnai precīzi pateiktu, kādi modeļi tai jāmeklē. Uztveriet to kā par kaut ko līdzīgu sniferim, kas nomedīs mērķus, tiklīdz zinās pēc smaržas. Tas ir tas, ko jūs darāt, kad nospiežat atskaņot Netflix pārraidē — jūs norādāt algoritmu, lai atrastu līdzīgas pārraides.
Kas ir mācīšanās bez uzraudzības?
Nepārraudzītā apmācībā datiem nav iezīmju. Iekārta tikai meklē jebkurus modeļus, ko tā var atrast. Tas ir tāpat kā ļaut sunim saost tonnām dažādu priekšmetu un šķirot tos grupās ar līdzīgām smaržām. Nepārraudzītas metodes nav tik populāras, jo tām ir mazāk acīmredzamas pielietošanas iespējas. Interesanti, ka tie ir guvuši ievērību kiberdrošības jomā.
Kas ir pastiprināšanas mācības?
Visbeidzot, mums ir pastiprinoša mācīšanās — jaunākā mašīnmācības robeža. Pastiprināšanas algoritms mācās, izmantojot izmēģinājumus un kļūdas, lai sasniegtu skaidru mērķi. Tas izmēģina daudzas dažādas lietas un tiek apbalvots vai sodīts atkarībā no tā, vai tā uzvedība palīdz vai traucē sasniegt mērķi. Tas ir tāpat kā gardumu došana un atturēšana, mācot sunim jaunu triku. Mācību pastiprināšana ir Google AlphaGo programmas pamatā, kas sarežģītajā Go spēlē pārspēja labākos cilvēkus.
Tieši tā. Tā ir mašīnmācība. Tagad apskatiet iepriekš redzamo blokshēmu, lai iegūtu pēdējo kopsavilkumu.
*Piezīme. Labi, ir tehniski veidi, kā veikt mašīnmācīšanos ar nelielu datu apjomu, taču, lai sasniegtu labus rezultātus, parasti ir vajadzīgas milzīgas to kaudzes.
___
Sākotnēji tas parādījās mūsu AI informatīvajā izdevumā The Algorithm. Lai tas tiktu tieši piegādāts jūsu iesūtnē, abonējiet šeit bez maksas.