Maskinindlæring (ML) er simpelthen programmering af maskiner (computere), så den kan udføre en anmodet opgave ved at bruge og analysere data (information) for at udføre denne opgave uafhængigt, uden yderligere specifikke input fra en menneskelig udvikler.
Maskinindlæring 101
Begrebet maskinelæring blev oprettet i IBM Labs i 1959 af Arthur Samuel, en pioner inden for kunstig intelligens (AI) og computerspil. Maskinindlæring er som følge heraf en gren af kunstig intelligens. Samuels forudsætning var at vende computermodellen af tiden på hovedet og stoppe med at give computere ting at lære.
I stedet ønskede han, at computere skulle begynde at finde ud af ting på egen hånd, uden at mennesker skulle indtaste selv det mindste stykke information. Derefter tænkte han, at computere ikke blot skulle udføre opgaver, men i sidste ende kunne bestemme hvilke opgaver der skal udføres og hvornår. Hvorfor? Så computere kan reducere mængden af arbejde mennesker har brug for at udføre i et givet område.
Hvordan maskinindlæring virker
Maskinindlæring virker ved brug af algoritmer og data. En algoritme er et sæt instruktioner eller retningslinjer, der fortæller en computer eller et program, hvordan man udfører en opgave. Algoritmerne, der bruges i ML, samler data, genkender mønstre og bruger analyse af dataene til at tilpasse egne programmer og funktioner til at fuldføre opgaver.
ML-algoritmer bruger regelsæt, beslutningstræer, grafiske modeller, naturlig sprogbehandling og neurale netværk (for at nævne nogle få) for at automatisere behandlingsdata til at træffe beslutninger og udføre opgaver. Mens ML kan være et komplekst emne, giver Googles lærbare maskine en forenklet hands-on demonstration af, hvordan ML virker.
Den mest magtfulde form for maskinindlæring, der anvendes i dag, kaldet dyb læring, bygger en kompleks matematisk struktur kaldet et neuralt netværk baseret på store mængder data. Neurale netværk er sæt af algoritmer i ML og AI modelleret efter den måde, hvorpå nerveceller i den menneskelige hjerne og nervesystemet behandler information.
Artificial Intelligence vs Machine Learning vs. Data Mining
For bedst at forstå forholdet mellem AI, ML og data mining, er det nyttigt at tænke på et sæt forskellige størrelser af paraplyer. AI er den største paraply. ML-paraplyen er en størrelse mindre og passer under AI-paraplyen. Data mining paraplyen er den mindste og passer under ML paraplyen.
- AI er en filial af datalogi, der har til formål at programmere computere til at udføre opgaver på mere "intelligente" og "menneskelige" måder, ved hjælp af tankegang og beslutningsteknikker, der er modelleret efter menneskelig intelligens.
- ML er en kategori af computere inden for AI, der fokuserer på programmeringsmaskiner (computere) til at lære (indsamle nødvendige data eller eksempler) til at foretage data-drevne, intelligente beslutninger på en mere automatiseret måde.
- Data mining bruger statistik, ML, AI og enorme databaser med information til at finde mønstre, give indsigt, skabe klassifikationer, identificere problemer og levere detaljeret dataanalyse.
Hvad maskinlæring kan gøre (og allerede gør)
Kapaciteten til computere til at analysere store mængder information i fraktioner af et sekund gør ML nyttigt i en række brancher, hvor tid og nøjagtighed er afgørende.
- Medicin: ML-teknologien implementeres i en række løsninger til det medicinske område, herunder hjælper lægehjælp med hurtigere diagnose af patienter med usædvanlige symptomer. Læger kan indsende en liste over patientens symptomer i programmet og bruge ML. Programmet kan skure trillioner af terabyte af information fra medicinsk litteratur og internettet for at returnere en liste over mulige diagnoser og anbefalet test eller behandling i rekordtid.
- Uddannelse: ML er brugt til at skabe uddannelsesværktøjer, der skræddersy sig til den studerendes læringsbehov, som virtuelle læringsassistenter og elektroniske lærebøger, der er mere interaktive. Disse værktøjer bruger ML til at opdage hvilke begreber og færdigheder den studerende forstår ved at bruge korte quizzer og øvelser. Værktøjerne giver derefter korte videoer, yderligere eksempler og baggrundsmateriale for at hjælpe den studerende med at lære de nødvendige færdigheder eller begreber.
- Automotive: ML er også en nøglekomponent i det voksende område af selvkørende biler (også kaldet chaufførløse biler eller autonome biler). Softwaren, der driver selvkørende biler, bruger ML under både virkelige road tests og simuleringer til at registrere vejforhold (f.eks. Isete veje) eller identificere hindringer i kørebanen og lære egnede køreopgaver til sikkert at navigere i sådanne situationer.
Du har sandsynligvis allerede fundet ML mange gange uden at indse det. Nogle af de mere almindelige anvendelser af ML-teknologien omfatter praktisk talegenkendelse (Samsungs Bixby, Apples Siri og mange talk-to-text-programmer, som nu er standard på pc'er), spamfiltrering til din email, bygning af nyhedsfeeds, opdagelse af svig, personalisering shopping anbefalinger og giver mere effektive websøgningsresultater.
ML er endda involveret i dit Facebook-feed. Når du kan lide eller klikker på en vens stillinger ofte, lærer algoritmerne og ML bag scenerne "fra" dine handlinger over tid for at prioritere bestemte venner eller sider i din Newsfeed.
Hvad maskinlæring kan ikke gøre
Men der er grænser for, hvad ML kan gøre. For eksempel kræver brug af ML-teknologi i forskellige brancher en betydelig udvikling og programmering af mennesker til at specialisere et program eller system til de typer opgaver, der kræves af denne industri.I vores medicinske eksempel ovenfor blev ML-programmet, der blev anvendt i akutafdelingen, udviklet specielt til humanmedicin. Det er i øjeblikket ikke muligt at tage det nøjagtige program og gennemføre det direkte i et veterinærcentral. En sådan overgang kræver omfattende specialisering og udvikling af menneskelige programmører for at skabe en version, der er i stand til at udføre denne opgave for veterinærlægemidler eller dyrmedicin.
Det kræver også utroligt store mængder data og eksempler for at lære de oplysninger, der er nødvendige for at træffe beslutninger og udføre opgaver. ML-programmer er også meget bogstavelige i fortolkningen af data og kamp med symbolik og også nogle typer relationer inden for data resultater, såsom årsag og virkning.
Fortsatte fremskridt gør imidlertid ML mere af en kerneteknologi, der skaber smartere computere hver dag.
