Inleiding tot machinaal leren
Machine learning (ML) is een kunst van het ontwikkelen van algoritmen zonder expliciet te programmeren. In de afgelopen twee decennia zijn exabytes aan gegevens gegenereerd en zijn de meeste industrieën volledig gedigitaliseerd. Deze bestaande gegevens worden gebruikt door Machine learning (ML) -algoritmen om voorspellende modellen te ontwikkelen en verschillende tijdrovende taken te automatiseren.
Laten we eens kijken hoe ML-algoritmen verschillen van geprogrammeerde op logica gebaseerde algoritmen:
Voor een op logica gebaseerd algoritme is flow goed gedefinieerd en van tevoren bekend, maar er zijn verschillende realistische scenario's (zoals beeldclassificatie) waar logica niet kan worden gedefinieerd. In dergelijke gevallen is Machine learning uiterst nuttig gebleken. Technieken voor machinaal leren nemen invoerparameters en verwachte referentie-uitvoergegevens en genereren logica die vervolgens in productie wordt geïmplementeerd.
Hoofdcomponenten van introductie tot machine learning:
Machine learning is onderverdeeld in de volgende categorieën:
1. Begeleid machinaal leren
Het bewaakte ML-algoritme neemt invoergegevens (functies) samen met gegevens met uitvoerlabels bij de invoer. Ze worden meestal gebruikt voor classificatie- en regressietaken.
Classificatie:
- Besluit om in aanmerking te komen voor leningen: automatiseer het goedkeuringsproces voor leningen met behulp van gegevens uit het verleden met parameters zoals leeftijd, inkomen, opleiding, stad, enz. Om te beslissen of de lening van de aanvrager kan worden goedgekeurd.
regressie:
- Voorspelling huisprijs : voorspel de huisprijs met behulp van functies zoals de grootte van het huis, de leeftijd van het huis, het aantal kamers, de locatie, enz.
2. Automatisch leren zonder toezicht
Niet-gecontroleerde ML-technieken vereisen geen gelabelde gegevens en worden gebruikt voor het clusteren van gegevens in verschillende segmenten op basis van invoerfuncties.
Voorbeeld: om een groep van 100 mensen in 5 clusters te scheiden, kunnen invoerfuncties interesses, hobby's, sociale connecties, enz. Omvatten.
Toepassingen van Machine Learning
In het afgelopen decennium heeft de introductie van machine learning verschillende industrieën getransformeerd, waaronder gezondheidszorg, sociale media, digitale marketing, onroerend goed, logistiek, supply chain en productie. Vroege verhuizers in deze industrieën hebben al aanzienlijke winsten behaald. Er is een groeiende vraag naar bekwaam personeel met machine learning en domeinkennis.
Hierna volgen enkele toepassingen waarbij ML-technieken een belangrijke rol hebben gespeeld:
-
Indeling van spam-mail:
Om e-mail te classificeren als spam / niet als spam met behulp van gelabelde antwoorden met behulp van gegevens zoals berichtinhoud, gebruik van vocabulaire dat wordt gebruikt in promotionele e-mails, e-mailadres van afzender, IP van afzender, gebruik van hyperlinks, aantal interpunctie, enz.
-
Kankerdetectie:
ML wordt in de gezondheidszorg steeds vaker gebruikt voor diagnose en zelfs voor het opsporen van kanker met behulp van medische gegevens voor eerdere patiënten. Voor borstkankerdetectie neemt het trainingsalgoritme inputs zoals tumorgrootte, straal, kromming en perimeter als input. Aan de uitgang krijgen we de kans of de tumor kwaadaardig is of niet.
-
Verkoopvoorspelling :
Een toenemend aantal leveranciers digitaliseert hun administratie, velen van hen zijn begonnen met machine learning tools om de verkoop van het specifieke item in een bepaalde week te voorspellen, zodat ze voldoende voorraad kunnen opslaan. Inleiding tot machine learning technieken zou input van de verkoop van vorig jaar voor verschillende items nemen en patronen vinden voor seizoensgebonden variaties en specifieke voorspellingen geven voor de verkoop van bepaalde items. We kunnen ook slecht presterende artikelen identificeren in termen van verkoop.
-
Gezichtsherkenning:
Je hebt waarschijnlijk tijdens het uploaden van foto's op Facebook opgemerkt dat het de gezichten van je vriend aan hun namen tagt. In de backend doen machine / deep learning algoritmen dit werk. Dezelfde fundamentele inleiding tot de principes van machine learning wordt ook gebruikt voor gezichtsherkenning, waarbij invoer gezichtsbeelden worden gevoed en neurale netwerken worden getraind om deze beelden te classificeren.
-
Tekstclassificatie:
Met de toenemende bevolking die online komt, is het voor website / social media-bedrijven zoals Twitter, Facebook en Quora verplicht geworden om op tekstclassificatie gebaseerde systemen in te zetten. Twitter / Quora gebruikt dit om haatreacties / berichten te identificeren. Sommige nieuwsbedrijven gebruiken ook tekstclassificatie-algoritmen om nieuwsartikelen te groeperen die vergelijkbaar zijn.
-
Audio / spraakinterpretatie:
Ooit afgevraagd hoe apparaten als Alexa, Siri en Google elke dag intelligent worden in het begrijpen van audiogegevens in verschillende talen met verschillende accenten. Een enorme hoeveelheid gegevens wordt in deze apparaten getraind om kennis te maken met de technieken voor machinaal leren, wat het mogelijk maakt.
-
Systemen voor fraude detectie:
Op ML gebaseerde fraudedetectiesystemen worden door verschillende e-commercebedrijven ingezet om klanten te identificeren die neporders maken en ook leveranciers te elimineren die nagemaakte producten op het platform verkopen. Banken en andere startups van financiële technologie vertrouwen enorm op ML-technieken om fraudetransacties te detecteren
-
Aanbevelingsmotoren
Netflix gebruikt films zonder toezicht om films aan te bevelen, terwijl Amazon het gebruikt om producten aan te bevelen om te kopen.
voordelen
-
Automatiseer tijdrovende taken:
Op ML gebaseerde applicaties hebben verschillende taken geautomatiseerd, zoals besluitvorming op laag niveau, gegevensinvoer, telefoneren, goedkeuringsprocedures voor leningen.
-
Kostenbesparend:
Als het algoritme eenmaal is ontwikkeld en in productie is genomen, kan dit aanzienlijke kostenbesparingen opleveren, aangezien menselijke arbeid en besluitvorming minimaal zijn.
-
Doorlooptijd:
Voor veel toepassingen is de totale tijd van het grootste belang. ML heeft tijd kunnen besparen op domeinen zoals claims van autoverzekeringen waar gebruikers foto's uploaden en het verzekeringsbedrag wordt berekend. Het heeft ook e-commercebedrijven geholpen bij het verwerken van retouren van verkochte voorraad.
-
Datagestuurde besluitvorming:
Niet alleen bedrijven, maar veel overheden vertrouwen op ML om beslissingen te nemen bij het beslissen in welke projecten ze moeten investeren en hoe ze de bestaande middelen optimaal kunnen gebruiken.
nadelen
-
ML-algoritmen kunnen bevooroordeeld zijn:
Vaak wordt invoer van gegevens in het ML-algoritme bevooroordeeld met een specifiek geslacht, ras, land, kaste, enz. Dit resulteert in ML-algoritmen die ongewenste vertekening doorgeven in het besluitvormingsproces. Dit is waargenomen in sommige toepassingen die ML-achtige toelatingstrajecten voor scholen en hogescholen en sociale media-aanbevelingen gebruikten.
-
Grote gegevens vereisen om een acceptabele nauwkeurigheid te bereiken:
Hoewel mensen gemakkelijk kunnen leren voor kleine gegevenssets, vereist de introductie van machine learning voor sommige toepassingen enorme hoeveelheden gegevens om voldoende nauwkeurigheid te bereiken.
-
Manipuleer gebruikersbeslissing:
Onlangs gebruikte Cambridge Analytica, een analysebedrijf, ML-algoritmen op sociale media om de beslissing van kiezers te beïnvloeden en te beïnvloeden.
-
Momenteel is de introductie van het machine learning-algoritme wellicht geschikt voor de toekomst:
ML-techniek getraind op de huidige gegevensset is mogelijk niet goed geschikt voor de toekomst, omdat de verdeling van de invoer in de loop van de tijd aanzienlijk kan veranderen. Een van de tegenmaatregelen om dit te overwinnen is om het model periodiek opnieuw te trainen.
Aanbevolen artikelen
Dit is een handleiding voor Inleiding tot machinaal leren. Hier hebben we Machine Learning besproken met de basispunten en kenmerken van Inleiding tot Machine Learning. U kunt ook de volgende artikelen bekijken:
- Technieken voor machinaal leren
- Machine learning versus neuraal netwerk
- Carrières in machinaal leren
- Verschil tussen big data versus machine learning
- Machine leren van hyperparameter