Co to jest uczenie maszynowe?

Uczenie maszynowe to rodzaj sztucznej inteligencji AI, który pozwala na dokładniejsze przewidywanie działań przez aplikacje. Te niejako uczą się same, wykorzystując dane historyczne, jako dane wejściowe do przewidywania nowych wartości wyjściowych. 

Technologia jaką jest uczenie maszynowe jest wykorzystywana jest do wykrywania oszustw, filtracji spamu, wykrywania wirusów, automatyzacji procesów biznesowych (BPA) i innych zadań. Ta technologia opiera się na danych i algorytmach, co ma na celu naśladowanie uczenia ludzkiego, umożliwiając maszynom doskonalenie się.

Jakie są trzy typy uczenia maszynowego?

Istnieją trzy typy uczenia maszynowego, czyli: uczenie nadzorowane, uczenie bez nadzoru i uczenie wzmacniające.

Uczenie nadzorowane – ten typ uczenia maszynowego zasila historyczne dane wejściowe i wyjściowe w algorytmach z przetwarzaniem pomiędzy każdą parą wejście/wyjście. Obejmuje on sieci neuronowe, drzewa decyzyjne, regresję liniową i maszyny wektorów wsparcia. Ten typ uczenia maszynowego otrzymał swoją nazwę, ponieważ maszyna jest “nadzorowana” podczas uczenia się, co oznacza, że podajesz algorytmowi informacje, które pomagają mu się uczyć. Uczenie nadzorowane jest skuteczne w wielu zadaniach biznesowych, w tym w prognozowaniu sprzedaży, optymalizacji zapasów i wykrywaniu oszustw. Niektóre przykłady przypadków użycia obejmują:

Przewidywanie cen nieruchomości;

• Klasyfikowanie, czy transakcje bankowe są oszustwem, czy nie;
• Znajdowanie czynników ryzyka chorób;
• Określanie, czy wnioskodawcy o pożyczkę są niskiego, czy wysokiego ryzyka;
• Przewidywanie awarii części mechanicznych urządzeń przemysłowych;
  

Uczenie bez nadzoru – maszyna opiera się na mniej oczywistych zestawach danych i wykrywa wzorce. Algorytmy stosowane w uczeniu nienadzorowanym obejmują modele ukrytego Markowa, k-średnich, hierarchiczne grupowanie i modele mieszanki gaussowskiej. Ten rodzaj uczenia maszynowego jest szeroko stosowany do tworzenia modeli predykcyjnych, a kilka przykładów jego użycia to:

• Tworzenie grup klientów na podstawie zachowań zakupowych;
• Grupowanie zapasów w zależności od sprzedaży i/lub metryk produkcyjnych;
• Wskazywanie powiązań w danych klientów;

Uczenie wzmacniające – to typ uczenia maszynowego najbardziej zbliżonym do tego, jak uczą się ludzie. Wykorzystywany algorytm uczy się poprzez interakcję z otoczeniem i otrzymywanie pozytywnej lub negatywnej nagrody. Wymaga ono większej mocy obliczeniowej niż ta, którą dysponuje większość firm produkujących rozwiązania uczenia maszynowego. Uczenie wzmacniające ma zastosowanie w obszarach, które mogą być w pełni symulowane, są stacjonarne lub mają duże ilości istotnych danych. Oto kilka przykładów zastosowania tego uczenia:

• Nauczenie samochodów samodzielnego parkowania i autonomicznej jazdy;
• Dynamiczne sterowanie sygnalizacją świetlną w celu zmniejszenia korków ulicznych;
• Szkolenie robotów w zakresie uczenia się zasad przy użyciu surowych obrazów wideo jako danych wejściowych;

Czy uczenie maszynowe to sztuczna inteligencja?

Nie, uczenie maszynowe to, nie sztuczna inteligencja. AI obejmuje ideę maszyny, która może naśladować ludzką inteligencję. Z kolei uczenie maszynowe ma na celu nauczenie maszyny, jak wykonać określone zadanie i zapewnić dokładne wyniki poprzez identyfikację wzorców.

Czym jest uczenie głębokie?

Głębokie uczenie jest podzbiorem uczenia maszynowego, które jest zasadniczo siecią neuronową z co najmniej trzema warstwami. Te sieci neuronowe próbują symulować zachowanie ludzkiego mózgu – choć daleko im do jego zdolności – umożliwiające “uczenie się” na podstawie dużych ilości danych.