Машинное обучение и Искусственный Интеллект

Это то, что позволяет нам обрабатывать информацию, видеть закономерности, находить смысл в больших объемах данных и использовать информацию для принятия решений.

И наука о данных, Data Science может использовать многие методы искусственного интеллекта, чтобы получить представление о данных.

Например, наука о данных может использовать алгоритмы машинного обучения и даже модели глубокого обучения, чтобы извлечь смысл и сделать выводы из данных.

Существует некоторое пересечение между ИИ и наукой о данных, но одно не является подмножеством другого.

Наоборот, наука о данных – это более широкий термин, охватывающий всю методологию обработки данных.

А ИИ включает в себя все, что позволяет компьютерам учиться решать задачи и принимать разумные решения.

И ИИ, и Data Science могут использовать большие данные.

Машинное обучение, подмножество искусственного интеллекта, использует компьютерные алгоритмы для анализа данных и принятия разумных решений на основе того, что алгоритмы изучили.

Вместо того, чтобы следовать алгоритмам, основанным на правилах, машинное обучение само строит модели для классификации и прогнозирования на основе данных.

Например, что, если мы хотим определить, может ли возникнуть проблема с нашим сердцем, с помощью машинного обучения?

Можем ли мы это сделать.

И ответ – да.

Допустим, нам даны такие данные, как количество ударов в минуту, вес тела, возраст и пол.

С машинным обучением и этим набором данных, мы можем изучить и создать модель, которая с учетом входных данных будет предсказывать результаты.

Так в чем же разница между этим подходом и просто использования статистического анализа для создания алгоритма?

Алгоритм – это математическая техника.

В традиционном программировании мы берем данные и правила и используем их для разработки алгоритма, который даст нам ответ.

В этом примере, если бы мы использовали традиционный алгоритм, мы бы взяли данные, такие как сердечный ритм, возраст, вес тела и пол и использовали эти данные для создания алгоритма, который определит, будет ли сердце работать нормально или нет.

По сути, это было бы выражение if – else.

Когда мы отправляем входные данные, мы получаем ответы, основанные на том, какой алгоритм мы определили, и этот алгоритм не изменится от данных.

Машинное обучение, с другой стороны, берет данные и ответы и уже потом само создает алгоритм.

Вместо того, чтобы получить ответы в конце, у нас уже есть ответы.

А то, что мы получаем здесь, – это набор правил, определяющих модель машинного обучения.

И эта модель определяет правила и оператор if – else при получении входных данных.

И эта модель, в отличие от традиционного алгоритма, может постоянно обучаться и использоваться в будущем для прогнозирования значений.

Машинное обучение опирается на определение правил путем изучения и сравнения больших наборов данных, чтобы найти общие закономерности.

Например, мы можем создать программу машинного обучения с большим объемом изображений птиц, и обучить модель возвращать название птицы всякий раз, когда мы даем изображение птицы.

Когда для модели отображается изображение птицы, она маркирует изображение с некоторой степенью достоверности.

Этот тип машинного обучения называется контролируемым обучением, где алгоритм обучается на данных, размеченных человеком.

Чем больше примеров мы предоставляем контролируемому алгоритму обучения, тем точнее он производит классификацию новых данных.

Неуправляемое обучение, это еще один тип машинного обучения, которое основывается на предоставлении алгоритму неразмеченных данных и позволяет ему самостоятельно находить шаблоны.

Вы предоставляете просто входные данные, и позволяете машине делать выводы и находить шаблоны.

Этот тип обучения может быть полезен для кластеризации данных, когда данные группируются в соответствии с тем, насколько они похожи на своих соседей и отличаются от всего остального.

Как только данные кластеризованы, можно использовать различные методы для изучения этих данных и поиска шаблонов.

Например, можно создать алгоритм машинного обучения с постоянным потоком сетевого трафика и позволить ему независимо изучать активность в сети – базовый уровень, нормальную сетевую активность, а также выбросы и, возможно, злонамеренное поведение, происходящее в сети.

Третий тип алгоритма машинного обучения, обучение с подкреплением, это алгоритм машинного обучения с набором правил и ограничений и позволяет ему учиться достигать целей.

Вы определяете состояние, желаемую цель, разрешенные действия и ограничения.

И алгоритм выясняет, как достичь цели, пробуя различные комбинации разрешенных действий, и его награждают или наказывают в зависимости от того, было ли решение правильным.

Алгоритм изо всех сил старается максимизировать свои вознаграждения в рамках предусмотренных ограничений.

И вы можете использовать обучение с подкреплением, чтобы научить машину играть в шахматы или преодолеть какие-либо препятствия.