Увод у машинско учење за ИТ стручњаке

Аутор Јустин Столтзфус

Извор: Алеутие / иСтоцкпхото

Увод

Све више инжењера и других стручњака започиње са машинским учењем - они раде рана истраживања и граде иницијалне системе, како би започели истраживање како ово поље вештачке интелигенције може отворити врата појединцима и компанијама.

Међутим, током целог процеса постоји прилично конфузија. Шта је уопште машинско учење?

Основна идеја је да нове технологије омогућавају машинама да „размишљају“ и „уче“ на начине који су сличнији начинима на који људски мозак функционише.

Ипак, постоји више начина за описивање овог процеса. За још мало, идемо на СтацкОверфлов, ослонац за програмере и друге ИТ стручњаке који траже дефиниције и стварна објашњења техничких проблема. СтацкОверфлов нит описује машинско учење као „процес подучавања рачунара за креирање резултата на основу улазних података.“

Други писац описује машинско учење као „поље рачунарске науке, теорија вероватноће и теорија оптимизације која омогућава решавање сложених задатака за које логички, процедурални приступ не би био могућ или изводљив“.

Ова последња дефиниција погађа близу главне тачке о томе шта је машинско учење - а шта није.

Када писац каже да "логичан, процедурални приступ не би био могућ или изведив", који указује на праву "магију" и вредност машинског учења. Једноставно речено, то је "пост-логика" - машинско учење надилази оно што традиција, линеарно и секвенцијално програмирање база података може учинити!

У корак са корак уназад, можемо погледати основне градивне блокове машинског учења како бисмо боље разумели како.

Прво, постоје подаци о обуци - подаци о обуци дају уносе програма за рад.

Поред података о тренингу, постоје алгоритми који те податке дробе и интерпретирају на различите начине. Стручњаци описују суштински рад машинског учења као "препознавање образаца" - и то ћете видети и на СтацкОверфлов страници - али опет, то само делимично описује како машинско учење делује.

Следеће: Неуронска мрежа

Деле ово:

Преглед садржаја

Увод

Неурална мрежа

Надзирано и ненадзирано машинско учење

Спуштање градијента и повратно ширење

Врсте неуронских мрежа

Енсембле Леарнинг

Апликације и теорија игара

Пет племена апликација за машинско учење

Куда идемо одавде?