Можно с уверенностью сказать, что если вы читаете эту статью, машинное обучение повлияло на вашу жизнь бесчисленным множеством способов. Если вы не жили под скалой в течение последних 5 лет (на самом деле это могло быть предпочтительнее), вы, вероятно, слышали это модное слово «машинное обучение» более чем несколько раз. Технологические компании привержены этой концепции как механизму улучшения каждого аспекта своих бизнес-операций, часто рекламируя прорывные достижения в результате использования машинного обучения. Это звучит как довольно безобидный термин, и в большинстве случаев это правда. В этой статье мы рассмотрим основы искусственного интеллекта и машинного обучения. Мы также коснемся некоторых этических вопросов, возникающих в связи с машинным обучением, хотя, по общему признанию, останемся поверхностными, чтобы не отвлекать внимание от информационного замысла статьи. Однако в любом серьезном исследовании машинного обучения необходимо осознавать присущие ему недостатки. Без дальнейших церемоний, давайте погрузимся.

Искусственный интеллект

Любое правильное обсуждение истории машинного обучения должно начинаться с изучения концепции искусственного интеллекта (ИИ). Для этого мы обратимся к Джону Маккарти, отцу искусственного интеллекта. Мартин Чайлдс из Independent в своем некрологе описывает Джона Маккарти и его цель в отношении ИИ:

Цель состояла в том, чтобы изучить способы создания машины, которая могла бы рассуждать как человек, была способна к абстрактному мышлению, решению проблем и самосовершенствованию. Он считал, что «каждый аспект обучения или любое другое свойство интеллекта в принципе может быть описан настолько точно, что его можно будет смоделировать с помощью машины».

По сути, ИИ — это попытка общества создать компьютер, который во всех смыслах будет человеческим, с очевидной разницей в физической форме. Большинство людей, в том числе и я, потрясены, узнав, что ИИ существует с 1955 года. Однако только в течение последнего десятилетия компьютеры стали достаточно мощными, чтобы начать выполнять некоторые из этих чрезвычайно сложных операций в масштабе. По мере того, как мы все глубже погружаемся в ИИ как общество, мы пытаемся найти способы использовать невероятную мощь компьютеров в наших целях. Машинное обучение — один из механизмов, который мы используем в нашей попытке создать искусственный интеллект.

Машинное обучение — предыстория

Что такое машинное обучение? Большинство людей могут по своей природе получить его значение из его соответствующих частей, машины и обучения. Лиза Тальяферри в своей статье о цифровом океане сводит суть машинного обучения к одному предложению: Машинное обучение помогает компьютерам создавать модели из выборочных данных, чтобы автоматизировать процессы принятия решений на основе входных данных. Значит, компьютеры используют данные для автоматизации процессов принятия решений? Звучит достаточно просто. Однако, чтобы по-настоящему понять машинное обучение, давайте погрузимся немного глубже и раскроем нюансы этой концепции.

Машинное обучение вокруг нас

Во введении я упомянул, что машинное обучение, несомненно, повлияло на вашу жизнь. Телефон или компьютер, который вы используете для чтения этой статьи, почти наверняка использует машинное обучение, вероятно, несколькими способами. Возьмем, к примеру, мой iPhone. Он использует машинное обучение, чтобы расшифровать то, что я говорю Сири («Эй, Сири, как ты лечишь писательский кризис?»). Он также использует машинное обучение для улучшения фотографий, которые я делаю, будь то балансировка истинного цвета или улучшение освещения на изображении, которое я сделал в темноте, чтобы я действительно мог видеть содержимое изображения. Если бы я был достаточно изобретателен, чтобы иметь FaceID, он также использовал бы машинное обучение, чтобы определить, должен ли он разблокировать телефон, основываясь на лице, на которое он смотрит. Когда вы запоем смотрите видео на YouTube, угадайте, как они так хорошо показывают вам релевантные видео, которые вы, возможно, захотите посмотреть в следующий раз? Как вы уже догадались, машинное обучение. Более экстремальным примером может быть Tesla, пытающаяся реализовать все возможности самостоятельного вождения. Tesla использует машинное обучение для создания обширной базы данных изображений, с которыми сталкиваются ее автомобили, таких как обычный знак остановки или случайно срубленное дерево. Если бы Тесла не мог сказать, что дерево посреди дороги — довольно веская причина для остановки, вам бы пришлось попотеть. Вот пример того, что видит во время работы программное обеспечение Tesla Autopilot:

Как видите, недостатка в использовании машинного обучения нет. В Документах Google есть предложения автозаполнения, которые я использовал несколько раз в ходе чернового наброска этой статьи. Машинное обучение буквально помогло мне написать эту статью о машинном обучении. Насколько это красиво?

Как люди учатся?

Большинство из нас, даже если нам не хватает названий понятий, знают, как люди учатся. Мы что-то делаем, и в зависимости от результата мы можем или не можем сделать это снова в будущем. Эта форма обучения называется обучение с подкреплением. Люди используют эту концепцию, чтобы управлять своим поведением, и основной принцип прост: стремиться к максимизации вознаграждения и минимизации наказания. Обучение с подкреплением можно разделить на положительное и отрицательное подкрепление.

Примером положительного подкрепления являются страховые компании, снижающие ваши страховые ставки в течение нескольких лет подряд без несчастных случаев. Они пытаются поощрять ваше поведение в области безопасного вождения, вознаграждая вас более низкими счетами. Хотя вы можете сознательно не думать о безопасном вождении (надеюсь, вы думаете!), вы можете подумать о том, как это связано с уменьшением ваших счетов. Вы предполагаете, что счета — это самое худшее, и, возможно, в ваших же интересах продолжать ездить как можно безопаснее. Чем ближе вы сможете получить свои счета к 0 долларов, тем лучше.

Самый яркий пример отрицательного подкрепления — когда вы молоды, вы кладете руку на горячую плиту. Вы немедленно и инстинктивно отводите руку назад. Хотя вы не думали об инстинктивной реакции вашего тела на раздражители, вы можетеподумать о связи между горячей плитой и ощущением жжения. Вы предполагаете, что, возможно, в ваших же интересах больше не прикасаться к предмету, называемому «плитой», из опасения, что это может привести к аналогичным результатам.

Теперь, когда у нас есть основа того, как учатся люди, давайте посмотрим, как учатся машины. Мы сможем провести некоторые довольно четкие сходства и различия, как только у нас будет лучшее понимание.

Как машины учатся?

Удивительно, но компьютеры на самом деле ничему не учатся. Классическое использование компьютеров заключалось в том, что программист давал им набор инструкций для выполнения, а затем ждал результата. Когда компьютеры только появились, ученый-компьютерщик мог ждать результата написанной им программы днями. По мере развития технологий мы сократили время ожидания до незаметного интервала; теперь программисты могут почти мгновенно увидеть результат своей программы. Мы также открыли двери компьютерам для решения непостижимо сложных задач. Введите машинное обучение.

Если они по своей природе не учатся сами по себе, как машины могут начать учиться? Поскольку компьютеры не учатся сами по себе, программисты должны создавать и обеспечивать инфраструктуру для обучения. Это самая фундаментальная концепция машинного обучения; это различные методы или алгоритмы, которые ученые-компьютерщики используют, чтобы заставить машины учиться. Алгоритм — это просто причудливое название, которое мы даем набору шагов, которые должен выполнить компьютер.

Калам Макклелланд пишет на Medium, объясняя, как машинное обучение вписывается в ИИ:

«Видите ли, вы можете получить ИИ без использования машинного обучения, но для этого потребуется построить миллионы строк кода со сложными правилами и деревьями решений. Таким образом, вместо того, чтобы жестко кодировать программные процедуры с конкретными инструкциями для выполнения конкретной задачи, машинное обучение — это способ «обучения» алгоритма, чтобы он научился этому».

Другими словами, машинное обучение — это один из способов, которым мы пытаемся создать искусственный интеллект. Точно так же, как разные люди лучше усваивают определенные концепции, разные алгоритмы машинного обучения подходят для решения разных задач. Здесь важно отметить, что большая часть этого обучения остается за машинами. Люди просто обеспечивают дорогу, по которой машины могут двигаться. Они должны найти лучший маршрут из точки А в точку Б. Это одна из прекрасных особенностей машинного обучения. Существует 4 различных типа машинного обучения, и в следующем разделе мы рассмотрим эти 4 различных типа автомагистралей, которые мы можем построить.

Различные типы машинного обучения

Теперь, когда мы немного лучше понимаем машинное обучение как концепцию, давайте углубимся в то, как оно реализовано. Мы уже упоминали, что компьютеры не учатся сами по себе, и люди должны создавать для них эту архитектуру. План этажа, который мы придумываем, в значительной степени зависит от типа обучения, который мы выбираем для задачи. В нашем распоряжении 4 различных типа обучения: под наблюдением, частично под наблюдением, без присмотра и подкрепление. Основной отличительной чертой этих методов обучения является уровень вклада людей. Мы совершим быстрый обход, чтобы исследовать их.

Контролируемое обучение

Концептуальное обучение с учителем легче всего понять, поэтому давайте начнем с него. В контролируемом обучении люди полностью контролируют маркировку входных данных. Люди скармливают компьютеру набор размеченных данных и классификацию. Например, если бы мы хотели, чтобы компьютер научился распознавать ананасы, мы бы скармливали ему бесчисленные изображения ананасов и их классификацию. Чтобы повысить точность нашей программы сбора ананасов, мы также показывали компьютерные изображения вещей, очень похожих на ананасы, но не являющихся ананасами, например сосновыми шишками.

Сосновая шишка имеет много общего с ананасом. Собственно, отсюда и название ананаса. Если бы наша модель недостаточно «узнала», что такое ананас и чем он не является, мы могли бы неправильно классифицировать сосновую шишку как ананас. Эта ошибка безобидна при классификации ананасов, но что, если это была программа распознавания лиц? При использовании обучения с учителем важно учитывать, что мы предоставляем широкий спектр данных для повышения точности прогнозирования модели.

Чтобы включить пример Tesla в контролируемое обучение, представьте, что инженеры Tesla загрузили в свою модель тысячи изображений знаков остановки. Таким образом, программное обеспечение сможет распознать модель с автоматическим управлением. Машинное обучение позволяет автомобилям самостоятельно останавливаться перед знаками остановки. Джон Маккарти был бы доволен!

Полуконтролируемое обучение

Главный недостаток контролируемого обучения заключается в том, что люди должны маркировать все входные данные и обеспечивать их точность, чтобы модель была максимально точной. Обучение с полуучителем — это просто гибрид обучения с учителем и обучения без учителя. Вместо полной маркировки каждой части входных данных мы маркируем только несколько элементов, чтобы ускорить процесс обучения модели. Используя пример Теслы, возможно, они частично контролировали модель, предоставив ей 5 разных изображений знаков остановки, которые имеют разные оттенки красного. На самом деле, очень немногие знаки остановки являются нетронутыми и ярко-красными. Инженеры Tesla дали модели преимущество, поскольку смогли правильно классифицировать эти выцветшие коричневые восьмиугольники как знаки остановки.

Неконтролируемое обучение

Этот тип обучения легче всего подходит программистам, потому что они не маркируют входные данные. Неконтролируемое обучение обычно используется при работе с набором данных, который просто слишком велик для того, чтобы люди могли заранее просеять и классифицировать его. В конце концов, мы пытаемся использовать компьютеры, чтобы сэкономить время. Годы, потраченные на маркировку данных, несомненно, сведут на нет эту цель, особенно в корпоративных сценариях, где темпы изменений более высоки. Мы настраиваем модель и позволяем ей просеивать данные, делая свою собственную маркировку.

Простым примером неконтролируемого обучения могут быть такие компании, как Facebook, продающие большие объемы пользовательских данных различным рекламным компаниям, а затем эти компании используют модели неконтролируемого обучения для выявления закономерностей в огромном количестве данных. Они используют свои выводы, чтобы определить, к какому «целевому рынку» вы принадлежите, а затем отправляют вам целевую рекламу. То есть, если они не просто отслеживают ваше интернет-движение, но это обсуждение в другой раз. Еще более жуткий пример обучения без учителя — рекламные компании, рассылающие беременным женщинам купоны на подгузники еще до того, как они узнают, что беременны.

Обучение с подкреплением

Этот стиль машинного обучения основан на том, как учатся люди. На фундаментальном уровне машины стремятся максимизировать вознаграждение и минимизировать наказание. По сути, это форма неконтролируемого обучения, компьютеры продвигаются вперед, как младенцы. Они узнают, что работает, а что нет, просто путем проб и ошибок. Например, большинству детей требуется не менее года, чтобы научиться ходить. В конце концов, когда они приобретут достаточную координацию и силу во взрослом возрасте, они смогут использовать способность ходить для совершения удивительных физических подвигов, таких как марафонский бег. Таким образом, обучение с подкреплением очень похоже на воспитание ребенка. Вместо того, чтобы направлять поведение модели, обучение с подкреплением позволяет компьютеру определять свой курс исключительно на основе своего опыта. Это, очевидно, может занять больше времени, но также может привести к непредвиденным открытиям из-за отсутствия вмешательства человека. В конце концов, если мы контролируем компьютеры, они обязаны повторять некоторые из наших ошибок и предубеждений.

Машинное обучение — математика

Теперь, когда у нас есть понимание машинного обучения как концепции, а также различных стилей машинного обучения, пришло время раскрыть суть машинного обучения: математику. Разобраться в различных формах машинного обучения несложно, но как именно обучение с учителем и обучение без учителя на самом деле применяются на практике? Как компьютеры, говорящие только на 0 и 1, реализуют аспект обучения? Есть несколько хорошо известных алгоритмов, которыми могут воспользоваться ученые-компьютерщики для решения этих проблем, некоторые из которых мы вскоре рассмотрим. Во-первых, мы должны обсудить некоторые математические аспекты того, как эти алгоритмы знают, «как» учиться.

Корреляция

Две основные концепции статистики, которые нам нужно рассмотреть, — это корреляция и регрессия. Мы останемся здесь на уровне поверхности, чтобы это оставалось удобоваримым. Корреляция просто относится к взаимосвязи между двумя переменными. Примеры могут более ясно объяснить смысл. Корреляция бывает двух разных форм: положительная корреляция и отрицательная корреляция.

Положительная корреляция относится к связи, которая возникает, когда увеличение одной переменной вызывает увеличение другой переменной. Элементарным примером может служить положительная корреляция между годовой зарплатой и суммой дискреционных расходов. По мере того, как вы зарабатываете больше денег, увеличивается сумма ваших дискреционных расходов. Другими словами, когда вы зарабатываете больше денег, вы тратите больше денег.

Отрицательная корреляция, очевидно, противоположна. В то время как при положительной корреляции обе переменные увеличиваются, при отрицательной корреляции одна переменная уменьшается по мере увеличения другой. Ярким примером отрицательной корреляции является количество людей, выходящих на улицу в разгар лета. Большинству людей легче выдержать погодные условия, когда температура умеренная. Однако по мере того, как температура приближается к трехзначным числам, количество людей, желающих выйти на улицу, уменьшается.

Корреляция — важная концепция, которую следует понимать при обсуждении машинного обучения. В конце концов, компьютеры используют корреляцию между двумя переменными, чтобы определить, влияют ли они друг на друга. Очевидная цель машинного обучения — обнаружить переменные с наибольшей корреляцией с конечной целью и, если возможно, направить больше активности в этом направлении.

Регрессия

Оставаясь на поверхности, давайте окунемся в мир регрессии. Существует два вида регрессии: линейная регрессия и логистическая регрессия. В этой статье мы сосредоточимся на линейной регрессии. Регрессия, по сути, берет кучу данных и пытается выстроить из них наиболее подходящую линию. Эта линия аппроксимирует среднее значение всех точек данных в выборке. Эми Галло в своей статье в Harvard Business Review лаконично отмечает: Смысл анализа состоит в количественной оценке уверенности в том, что что-то произойдет. Он не говорит вам, как дождь повлияет на ваши продажи, но говорит о вероятности того, что дождь может повлиять на ваши продажи.

Сама линейная регрессия может быть далее разбита на простую линейную регрессию и множественную линейную регрессию. Тип выполняемой линейной регрессии зависит исключительно от количества тестируемых переменных в тесте. регресс. Простая линейная регрессия пытается отобразить влияние одной переменной на конкретный результат.

С другой стороны, множественная линейная регрессия проверяет влияние нескольких переменных на заданный результат, пытаясь присвоить каждой переменной правильный вес. Например, если мы хотим выяснить, какие переменные с наибольшей вероятностью указывают на торнадо в Оклахоме в июле, мы вполне можем провести множественный регрессионный анализ.

В зависимости от его глубины этот анализ покажет, хотя и точно, насколько сильно температура повлияла на возможность торнадо по сравнению с влажностью или общим количеством осадков. Мы можем проверить влияние любого количества переменных, которые захотим. Регрессионный анализ — бесценный инструмент не только в мире статистики, но и машинного обучения.

Машинное обучение — алгоритмы

У нас почти нет времени, чтобы погрузиться во все алгоритмы, доступные специалистам по данным. Мы сделаем все возможное, чтобы коснуться основных игроков, чтобы получить немного лучшее понимание. Алгоритмы, которые мы коснемся нашего K-ближайшего соседа, линейной регрессии и решения. Мы можем пройтись по нейронным сетям, если позволит время!

Самый простой алгоритм машинного обучения — K-ближайший сосед. Этот алгоритм работает, по существу, отображая все точки данных. Он пытается классифицировать непомеченную точку данных на основе того, где она находится в существующих данных. Например, представьте, что у нас есть диаграмма рассеяния двух разных видов акул, основанная на их массе и длине. Для этого примера предположим, что мы тестируем тигровых акул по сравнению с песчаными акулами. Основываясь на нашей диаграмме рассеяния массы и длины этих двух разных видов акул, мы могли бы попытаться классифицировать любую новую акулу, с которой мы можем столкнуться. Это работает, по сути, рисуя периметр вокруг немаркированной точки данных и наблюдая, сколько представителей каждого вида окружает ее. Скажем, у нас было 6 тигровых акул и 4 песчаных акулы по периметру вокруг нашей акулы без метки. Основываясь на имеющихся данных, мы можем предположить, что это, скорее всего, тигровая акула. Этот алгоритм не так активно используется в реальном мире, потому что это не очень активный алгоритм.

Самый полезный алгоритм в наборе инструментов специалиста по данным — это регрессионный анализ. Как мы упоминали ранее, он пытается определить влияние одной или нескольких переменных на заданный результат. В приведенном ранее примере было количество торнадо в июле в Оклахоме. Мы могли бы провести регрессионный анализ, чтобы определить, какая переменная оказывает наибольшее влияние на этот потенциальный результат. Давайте представим, что мы провели тест, чтобы определить, как температура, влажность и общее количество осадков влияют на вероятность торнадо. Мы могли бы узнать из нашего множественного регрессионного анализа, что около 60% связано с температурой, 30% связано с влажностью и 10% связано с общим количеством осадков. При правильном использовании регрессионный анализ позволяет нам делать убедительные выводы о взаимосвязи множества переменных.

Последний алгоритм, который мы обсудим, — деревья решений. Скажем, мы хотели определить вероятность того, что вы пойдете на пробежку в любой случайный день в будущем, на основе определенного количества факторов. Мы разбили бы день на эти различные подкатегории, такие как тип погоды (солнечно, облачно, пасмурно, дождливо, буря), температура (очень холодно, холодно, прохладно, умеренно, тепло, жарко, очень жарко) и осадки (нет, легкая, маленькая, средняя, ​​тяжелая). Затем мы брали исторический набор данных о вашей беговой истории и погодных факторах, имевших место в те дни. Мы можем обнаружить, что есть 100% вероятность того, что вы будете бегать в дни, когда не идет дождь. Или, может быть, есть только 15% шанс, что вы побежите, если температура будет низкой. Эта способность классифицировать конкретные экземпляры очень полезна для выявления скрытых закономерностей.

Есть много других алгоритмов, которые могут использовать специалисты по данным, но для этого общего обзора мы коснулись некоторых основных игроков. По крайней мере, мы баловались обсуждением алгоритмов, которые немного легче понять. Прежде чем мы покинем эту тему, последний алгоритм, о котором стоит упомянуть, — это нейронная сеть. Этот алгоритм работает так же, как человеческий мозг, с «нейронами» и всем остальным. Нейронные сети немного сложнее представленных здесь алгоритмов, но о них стоит упомянуть. Нейронные сети открывают захватывающий горизонт для будущего машинного обучения. Одной из основных задач, для которых сегодня используются нейронные сети, является распознавание изображений.

Вот пример машинного обучения, классифицирующего числа:

Число в правом верхнем углу — это ответ, сгенерированный алгоритмом машинного обучения. Число в правом нижнем углу является правильным числом. Эти 33 ошибки были найдены из 10 000 изображений. Неплохой процент промахов для компьютера, если вы спросите меня. Вот если бы мы могли использовать эту технологию для расшифровки врачебных предписаний!

Подводные камни машинного обучения

Несмотря на все удивительные вещи, которые ИИ и машинное обучение позволяют достичь нашему обществу, мы должны признать, что эти технологии не оправдывают ожиданий. Было бы упущением вступать в вдумчивую дискуссию по этому вопросу, не признавая присущих ей недостатков. Основной ловушкой машинного обучения является участие человека. Если люди участвуют в процессе маркировки данных, практически нет реального способа устранить наши человеческие предубеждения. Очевидным примером, который поднимался как проблема в технологической индустрии, является отсутствие разнообразия, будь то женщины или цветные люди.

Исторически в технологической отрасли, как и во многих других, доминировали белые мужчины. Что, если бы мы обучали контролируемую модель машинного обучения для выявления программистов? Мы, как программисты, должны предоставить данные модели для обучения. Если единственными изображениями, которые мы подаем модели программистов, являются белые мужчины, то эта модель почти наверняка не сможет правильно идентифицировать женщин или цветных людей как программистов. Это простой пример, наглядно иллюстрирующий один из основных недостатков машинного обучения.

Еще одна ловушка машинного обучения — это аспект конфиденциальности для потребителей. Мы прибережем суть этого обсуждения для другой статьи, но эту тему необходимо затронуть, называя подводные камни машинного обучения. Если вы вспомните пример рекламной компании, посылающей неосознанно беременной женщине купоны для ее ребенка, о существовании которой она даже не подозревала, эта идея становится намного более тревожной. Если компании могут совершить этот подвиг с абсурдно рудиментарным уровнем машинного обучения, что ждет в будущем нашу конфиденциальность, поскольку мы продолжаем вливать все больше и больше данных в интернет-эфир?

Будет ли будущее, в котором рекламные компании узнают, о чем мы думаем, еще до того, как мы это подумаем? Хуже того, неужели это время уже пришло? Несмотря на все замечательные достижения в области технологий, бизнеса, медицины и любой другой отрасли, на которые положительно повлияло машинное обучение, мы должны спросить себя, чего на самом деле стоят эти достижения? «Нет такой вещи, как бесплатный обед» — это распространенный экономический рефрен, иллюстрирующий идею о том, что вы не можете получить что-то даром, и я всем сердцем поддерживаю эту концепцию. В этом ключе я не могу не задаться вопросом, от чего же нам придется отказаться, чтобы пообедать в будущем?

Взгляд в будущее — лучший мир?

Вместо того, чтобы вселять чувство обреченности и уныния в любого, кто достаточно смел, чтобы прочитать эту статью, я хочу закончить статью на позитивной ноте. Хотя мы как общество должны признать неотъемлемые проблемы разработки беспристрастного ИИ, мы также должны мечтать о возможности идеального симбиоза с этими машинами. Давайте проведем мысленный эксперимент, чтобы увидеть, каким прекрасным может быть будущее.

Представьте, что вы возвращаетесь домой после долгого рабочего дня в ближайшем будущем. У вас был тяжелый день в офисе, но вместо того, чтобы безрезультатно сидеть в пробках, ваша машина сама едет домой, пока вы медитируете. Вместо обычного списка дел, которые вы должны выполнить, вы приходите домой к обеду в духовке и чистому дому. Вся рутинная работа, которую раньше приходилось делать после 8–10 часов работы, больше не существует. Ваш робот-дворецкий, Джерард, сделал за вас всю эту черную работу. Вы можете просто прийти домой и поесть, когда ваш голод достигает своего пика. Тарелки? Дело далекого прошлого, потому что Джерард это прикрыл. О, ты не стирала простыни 2 недели? Не беспокойтесь, Джерард меняет их через день без вашего ведома! Машинное обучение позволило ему узнать ваш распорядок дня и предпочтения, поэтому вам больше никогда не придется спать на грязных простынях.

Без сомнения, у вас будет больше времени для того, чем вы действительно хотите заниматься. Без сомнения, это оставит открытой возможность того, что мы станем еще ленивее. Каким бы ни был результат, можно с уверенностью сказать, что у нас есть больше времени, чтобы делать то, что мы действительно хотим делать. Что мы решим делать с этим вновь обретенным временем, зависит от нас. Мое предложение состоит в том, чтобы использовать время, которое машинное обучение возвращает нам, чтобы заниматься собственным человеческим обучением.

Резюме

Ура, мы наконец добрались до конца! Давайте вернемся к некоторым основным выводам из статьи. Машинное обучение, несмотря на то, что оно довольно сложное в своей глубине, — это просто метод достижения искусственного интеллекта. Искусственный интеллект — это просто способность компьютеров проявлять человеческие качества и принимать решения так же, как человек. Машины учатся несколькими способами, главное отличие которых заключается в том, насколько вовлечены люди. В обучении с учителем люди маркируют данные для компьютера, в то время как обучение без учителя позволяет компьютерам полностью автономным в процессе маркировки. Полуконтролируемое обучение — это гибрид двух вариантов, а обучение с подкреплением — это форма обучения без учителя, при которой компьютер может свободно исследовать, используя метод проб и ошибок, чтобы обнаружить награду или наказание за каждый выбор. Машинное обучение использует широкий спектр передовой математики для выполнения обучения. Это включает в себя статистику и концепции корреляции и регрессии. У компьютерщиков есть множество алгоритмов, которые они могут выбрать для выполнения своих задач, в зависимости от того, какой из них наиболее точен для данной ситуации.

Несмотря на некоторые врожденные недостатки, которые, несомненно, необходимо будет устранить в будущем, машинное обучение демонстрирует многообещающие перспективы как бесценный инструмент для продвижения нашего общества в будущее. Поскольку мы избавлены от банальности некоторых черных задач, мы можем больше сосредоточиться на вещах, которые действительно важны больше всего, например, на людях. Если люди смогут научиться по-настоящему использовать возможности машинного обучения, ограничивая его подводные камни, мы смотрим в будущее, яркое, как солнце.