Paul Downey | Flickr
Ang pag-aaral ng makina ay isang parirala na nakakakuha ng bandied tungkol sa madalas, ngunit marami pa rin ang hindi nakakaalam nang eksakto kung ano ito. Syempre, may dahilan para doon. Nasa umpisa pa lamang nitong mga yugto, at marami ang nagpapalagay na hindi ito isang bagay na nakakaapekto sa pangkalahatang populasyon. Sa katunayan, marahil hindi ito totoo tulad ng ipinapalagay ng ilan.
Kaya ano ang pag-aaral ng machine? At ano ito ginagamit sa ngayon? Narito ang aming gabay sa lahat ng kailangan mong malaman tungkol sa pag-aaral ng makina.
Ano ang Pag-aaral ng Makina?
Ang pag-aaral ng makina, simpleng inilalagay, ay isang anyo ng artipisyal na katalinuhan na nagpapahintulot sa mga computer na matuto nang walang anumang sobrang pag-programming. Sa madaling salita, ang software ay magagawang matuto ng mga bagong bagay sa sarili nitong, nang walang isang programmer o engineer na kailangang 'turuan' ito ng anuman. Ang pag-aaral ng makina ay maaaring kumuha ng data at makita ang mga pattern at makahanap ng mga solusyon, pagkatapos mag-apply ng mga solusyon sa iba pang mga problema.
Larawan: K? Rlis Dambr? Ns | Flickr
Mahalagang tandaan na ang pag-aaral ng makina bilang isang konsepto ay hindi bago sa lahat - mahirap na masubaybayan ang tumpak na pinagmulan ng konsepto na isinasaalang-alang ito ay isa na sumasama at mula sa iba pang mga anyo ng teknolohiya. Maaari mong magtaltalan na ang mga petsa ng pag-aaral ng makina pabalik sa paglikha ng Turing Test, na ginamit upang matukoy kung ang isang computer ay may katalinuhan. Ang unang programa ng computer na natututo, gayunpaman, ay isang laro ng mga pamato, na binuo noong 1952 ni Arthur Samuel. Ang laro na ito ay nakuha ng mas mahusay na higit pa.
Gayunpaman, ang kamakailang teknolohiya, ay nagpapabuti sa pag-aaral ng makina. Halimbawa, ang pag-aaral ng makina ay nangangailangan ng dami ng yakap ng pagproseso ng lakas, kaya't sinimulan lamang nating makapagpaunlad ng pangunahing pagkatuto ng makina sa kamakailang kasaysayan.
Mayroong ilang mga pangunahing paraan upang ipatupad ng mga programmer ang pag-aaral ng machine. Ang una ay tinatawag na 'supervised learning.' Ano ang ibig sabihin nito na ang isang makina ay pinapakain ng mga problema kung saan alam ang solusyon sa problema. Ang pagkatuto ng algorithm ay nakakatanggap ng mga problemang ito kasama ang nais na mga kinalabasan, pagkilala sa mga pattern sa mga problema at kumikilos nang naaayon. Ang pangangasiwa ng pagkatuto ay madalas na ginagamit upang mahulaan ang mga kaganapan sa hinaharap - tulad ng kapag ang isang transaksyon sa credit card ay maaaring mapanlinlang.
Ang pangalawang pagpapatupad ng pag-aaral ng makina ay tinatawag na 'hindi sinusuportahan na pag-aaral.' Sa pagkakataong ito, ang kinalabasan ng isang problema ay hindi ibinigay sa software - sa halip, ito ay mga problema sa pagpapakain at kailangang makita ang mga pattern sa data. Ang layunin dito ay upang makahanap ng isang istraktura sa data na ibinigay nito.
Pangatlong up ay 'semi-supervised learning.' Ang pamamaraang ito ng pag-aaral ng makina ay madalas na ginagamit para sa parehong mga bagay tulad ng pinangangasiwaang pag-aaral, ngunit nangangailangan ng data na may solusyon at data nang wala. Ang pag-aaral na pinamamahalaan ng semi ay madalas na ipinatupad kapag ang mga pondo ay limitado at ang mga kumpanya ay hindi makapagbigay ng buong hanay ng data para sa proseso ng pag-aaral.
Huling ngunit hindi bababa sa ay 'pag-aaral ng pampalakas, ' na kung saan ay partikular na ginagamit para sa mga bagay tulad ng gaming at mga robot. Ang pag-aaral ng muling pagpapatunay ay itinuro sa pamamagitan ng pagsubok at pagkakamali - ang makina ay sumusubok sa mga bagay at natututo batay sa mga tagumpay o pagkabigo nito. Ang layunin dito ay para sa makina upang malaman ang pinakamahusay na posibleng mga kinalabasan.
Siyempre, ang lahat ng mga pamamaraan na ito ng pag-aaral ng makina ay nagsasangkot sa pagpapakain ng isang makina ng daan-daang libong mga problema, at napakalaking halaga ng data. Talagang, mas maraming data ang mas mahusay.
Nasaan Ginagamit Ngayon ang Pag-aaral ng Machine?
Mga Larawan ng Pera | Flickr
Sa totoo lang, maraming lugar kung saan ginagamit ang pag-aaral ng machine ngayon. Marami sa mga ito ay nasa likod ng mga eksena, gayunpaman maaari kang magulat na malaman na ang marami sa kanila ay isang bagay din na ginagamit mo sa bawat araw.
Marahil ang isa na ginagamit mo ay nasa iyong personal na katulong - tama iyon, ang gusto ng Siri at Google Now ay gumagamit ng pag-aaral ng makina, higit sa lahat upang mas maintindihan ang mga pattern ng pagsasalita. Sa napakaraming milyon-milyong mga tao na gumagamit ng Siri, ang sistema ay maaaring seryosong sumulong sa kung paano ito tinatrato ang mga wika, accent, at iba pa.
Siyempre, si Siri ay hindi lamang ang aplikasyon ng consumer ng pag-aaral ng makina. Ang isa pang gamit ay sa pagbabangko, tulad ng pagtuklas ng pandaraya. Halimbawa, ang mga algorithm sa pag-aaral ng makina ay maaaring subaybayan ang mga pattern ng paggastos, pagtukoy kung aling mga pattern ang mas malamang na mapanlinlang batay sa nakaraang aktibidad na mapanlinlang.
Sa katunayan, kahit na ang iyong email ay maaaring gumamit ng pag-aaral ng makina. Halimbawa, ang mga email sa spam ay isang problema, at sila ay nagbago sa paglipas ng panahon. Ginagamit ng mga system ng email ang pagkatuto ng makina upang subaybayan ang mga pattern ng email ng spam at kung paano nagbago ang mga email ng spam, pagkatapos ilagay ang mga ito sa iyong spam folder batay sa mga pagbabagong iyon.
Konklusyon
Ang pag-aaral ng makina ay nakatakda na maging isang malaking bahagi ng kung paano namin ginagamit ang teknolohiya sa pasulong, at kung paano makakatulong sa amin ang teknolohiya. Mula sa Siri hanggang US Bank, ang pag-aaral ng makina ay lalong lumala, at iyon ay malamang na magpapatuloy.
