Kompüterlər əldən düşmür, amma hər gün daha asan olurlar
Sadə şərtlərlə, maşın öyrənmə (ML) bir insan inkişaf etdiricisindən əlavə xüsusi giriş olmadan bu tapşırığı müstəqil olaraq yerinə yetirmək üçün məlumatları (məlumatları) istifadə edərək və təhlil edərək istənilən vəzifəni yerinə yetirmək üçün maşınların (kompüterlərin) proqramlaşdırılmasıdır.
Maşın Learning 101
"Makina öyrənmə" termini 1959-cu ildə IBM laboratoriyalarında süni intellekt (AI) və kompüter oyunları sahəsində qabaqcıl Arthur Samuel tərəfindən hazırlanmışdır. Maşınların öyrənilməsi, nəticədə, Süni Zəkanın bir şöbəsidir. Şamuelin məqsədi zamanın hesablama modelini alt-üstə çevirməli və kompüterlərin öyrənməsini dayandırmaq idi.
Bunun əvəzinə, kompüterlər, hətta ən kiçik məlumatları daxil etmədən insanları öz-özünə işə başlamağa başladılar. Sonra düşündüm ki, kompüterlər yalnız vəzifələri yerinə yetirməyəcək, amma nəticədə hansı vəzifələri yerinə yetirməyə və nə vaxt qərar verə bilər. Niyə? Belə ki, kompüterlər hər hansı bir ərazidə işləmək üçün lazım olan insanların məbləğini azalda bilər.
Maşının öyrənilməsi necədir
Alqoritmlər və məlumatların istifadəsi vasitəsi ilə öyrənmə işləri. Bir alqoritm kompüter və ya proqramı necə yerinə yetirəcəyini izah edən bir təlimat və ya təlimatdır. ML-də istifadə olunan alqoritmlər data toplayır, nümunələri tanıyır və öz məlumatlarını təhlil edir, öz proqramlarını və vəzifələrini tapşırıqları yerinə yetirmək üçün uyğunlaşdırır.
ML alqoritmləri qərar qəbul etmək və vəzifələri yerinə yetirmək üçün emal məlumatlarını avtomatlaşdırmaq üçün qayda dəstlərini, qərar ağaclarını, qrafik modelləri, təbii dil emalını və neyron şəbəkələri (bir neçə ad) istifadə edir. ML kompleks bir mövzu olmasına baxmayaraq, Google's Teachable Machine, ML'nin nasıl çalıştığının basitleştirilmiş bir nümayişi sunar.
Bu gün istifadə edilən ən güclü maşın öyrənmə dərin öyrənmə adlanır, böyük miqdarda məlumatlara əsaslanan neyron şəbəkə adlanan kompleks bir matematik quruluşu qurur. Sinir şəbəkələri insan beyni və sinir sistemi prosesi məlumatında sinir hüceyrələrinin yolundan sonra modelləşdirilmiş ML və Aİ alqoritmlərinin dəstləri.
Süni intellekt, maşın öyrənmə və s
AI, ML və data mining arasındakı əlaqəni yaxşı başa düşmək üçün müxtəlif ölçülü şemsiyelerdən ibarət bir sıra düşünmək faydalıdır. AI ən böyük çətirdir. ML şemsiyesi kiçik ölçülü və AI şemsiyesinin altında oturur. Data mədənası şemsiyesi kiçikdir və ML şemsiyesinin altına sığır.
- AI, insan intellektindən sonra modelləşdirilmiş əsaslandırıcı və qərar qəbuletmə üsullarını istifadə edərək, "ağıllı" və "insan kimi" yollarla vəzifələri yerinə yetirmək üçün kompüterlərin proqramını hədəfləyən kompüter elminin bir filialıdır.
- ML, daha dəqiqləşdirilmiş, ağıllı qərarlar daha avtomatlaşdırılmış şəkildə aparmaq üçün məlumatların (məlumatları və ya nümunələri toplamaq) öyrənmək üçün proqramlaşdırma maşınlarına (kompüterlərinə) yönəlmiş AI-də hesablama bir kateqoriyadır.
- Data mədəniyyəti nümunələri tapmaq, anlayışlar təmin etmək, təsniflər yaratmaq, problemləri müəyyən etmək və ətraflı məlumat təhlili etmək üçün statistika, ML, AI və məlumatların böyük məlumat bazalarını istifadə edir.
Nə Maşın Learning Can (və artıq)
Bilgisayarlar üçün ikinci bir hissədə məlumatın geniş miqyaslı analizini aparmaq imkanı ML-ni vaxt və dəqiqliyin vacib olduğu bir sıra sahələrdə faydalıdır.
- Tibb: ML texnologiyası qeyri-adi simptomları olan xəstələrin daha sürətli diaqnozu ilə təcili müalicə həkimlərinə kömək etmək daxil olmaqla tibbi sahədə bir sıra həllər həyata keçirilir. Həkimlər xəstənin simptomlarının siyahısını proqrama daxil edə bilərlər və ML-dən istifadə edə bilirlər, proqram tibbi ədəbiyyatdan trilyonlar terabayt məlumat ala bilərlər və internetdə potensial diaqnozların siyahısını və qeyd olunan test və ya müalicənin rekord müddətdə geri qaytarılması mümkündür.
- Təhsil: ML, daha interaktiv olan virtual öyrənmə köməkçiləri və elektron dərsliklər kimi tələbənin öyrənmə ehtiyaclarına uyğunlaşdıran təhsil alətləri yaratmaq üçün istifadə olunur. Bu alətlər şagirdin qısa viktorina və təcrübə təlimlərindən istifadə edərək anlayışlarını və bacarıqlarını anlamaq üçün ML-dən istifadə edir. Alətlər qısa video, əlavə nümunələr və ardıcıl materiallar təmin edir ki, şagird lazımi bacarıqları və ya konsepsiyaları öyrənsin.
- Avtomobil: ML özünü idarə edən avtomobillər (həmçinin sürücüyə aid olmayan avtomobillər və ya avtonom avtomobillər) kimi yaranan sahələrdə də əsas komponentdir. Self-sürücülük avtomobillərini işləyən proqram, yol şəraiti (məsələn, buzlu yollar) aşkarlamaq və yolda maneələrin müəyyən edilməsi və belə vəziyyətlərdə təhlükəsiz hərəkət etmək üçün müvafiq sürücülük işlərini öyrənmək üçün real həyat yol testləri və simülasyonlar zamanı ML istifadə edir.
Güman ki, artıq ML-ni bir neçə dəfə görməmişdiniz. ML texnologiyasının daha geniş yayılmış istifadələrindən bəziləri praktik danışıqların tanınması ( Samsung Bixby , Apple Siri və indi PC-lərdə standart olan çoxsaylı danışıq proqramları), e-poçtunuz üçün spam filtrasiyası, xəbərlər axını qurma, fırıldaqçılıq aşkarlanması, fərdiləşdirmə alış-veriş tövsiyələri və daha effektiv web axtarış nəticələri təmin edir.
ML hətta Facebook feed-də iştirak edir. Bir dostunuzun mesajlarını tez-tez sevdiyiniz və ya vurduğunuzda, alqoritmlər və səhnələrin arxasında ML, Newsfeed'inizdə müəyyən dostlara və ya səhifələrə prioritet vermək üçün hərəkətlərinizdən vaxt keçdikcə "öyrən".
Nə Machine Learning öyrənə bilməz
Bununla belə, ML-nin nə edə biləcəyinə dair məhdudiyyətlər var. Məsələn, müxtəlif sənayelərdə ML texnologiyasının istifadəsi bu sənaye tərəfindən tələb olunan tapşırıq növləri üçün bir proqram və ya sistemin ixtisaslaşması üçün insanlar tərəfindən inkişaf və proqramlaşdırmanın əhəmiyyətli bir hissəsini tələb edir. Məsələn, yuxarıda göstərilən tibbi nümunəmizdə təcili yardım şöbəsində istifadə olunan ML proqramı insan təbabəti üçün xüsusi hazırlanmışdır. Hələ dəqiq proqramı qəbul etmək və birbaşa baytarlıq təcili yardım mərkəzində tətbiq etmək mümkün deyil. Belə bir keçid insan proqramçıları tərəfindən veterinar və ya heyvan dərmanı üçün bu vəzifəni yerinə yetirmək üçün bir versiya yaratmaq üçün geniş ixtisaslaşma və inkişafı tələb edir.
Həm də qərarlar qəbul etmək və vəzifələri yerinə yetirmək üçün lazım olan məlumatları "öyrənmək" üçün olduqca geniş miqdarda məlumat və nümunələr tələb edir. ML proqramları, məlumatların şərh edilməsində və simvolizm ilə mübarizədə, həmçinin nəticə və təsir kimi məlumat nəticələrində bəzi əlaqələr növlərində də çox oxşardır.
Davamlı irəliləyişlər isə ML-ni hər gün daha ağıllı kompüterlər yaratmaqda əsas texnologiya sayəsində daha da artırır.