Co to jest machine learning i czym jest uczenie maszynowe?

1. Co to jest machine learning i czym jest uczenie maszynowe? Czy komputery i roboty wkrótce zastąpią człowieka?
2. Jaki ma związek machine learning ze sztuczną inteligencją?
3. Nadrzędne modele uczenia maszynowego
4. Co to jest machine learning i czym jest uczenie maszynowe? Inne modele nauczania maszynowego

Co to jest machine learning i czym jest uczenie maszynowe? Czy komputery i roboty wkrótce zastąpią człowieka?

Postęp techniczny mknie z roku na rok w imponującym tempie. Z produktów sztucznej inteligencji korzystają na co dzień już nie tylko przedsiębiorcy w pracy, lecz także większość z nas w codziennym życiu. W niniejszym artykule wyjaśnimy czym jest ,,uczenie maszynowe” (machine learning), bo to termin ściśle sprzężony z rozwojem nowoczesnych technologii. ,,Uczenie maszynowe” tłumaczymy jako poddziedzina sztucznej inteligencji (AI). Dotyczy ona edukacji robotów i komputerów w kwestii posiłkowania się danymi oraz ulepszania tych umiejętności.

Zaznaczamy, że nie programujemy żadnych udoskonaleń, natomiast trenujemy algorytmy w taki sposób, by odnaleźć najlepsze z możliwych wzorców oraz oddziaływań. Na podstawie takich testów możemy podjąć najlepsze decyzje oraz sformułować pewne prognozy odnośnie do wyników przeprowadzonych analiz. Systemy, które posiłkują się uczeniem maszynowym po pewnym czasie stają się coraz precyzyjniejsze. Prawdopodobieństwo tej dokładności zwiększa się, gdy udostępniamy mu dostęp do danych. Technologią machine learning odnajdujemy na różnych płaszczyznach codziennego życia. Przykładem może być wykorzystywanie multimediów oraz różnych aplikacji. Co to jest machine learning i czym jest uczenie maszynowe? Jaki to ma dokładny związek ze sztuczną inteligencją.

Jaki ma związek machine learning ze sztuczną inteligencją?

Uczenie maszynowe oraz całą jego technologię zaliczamy do nakładających się poddziedzin sztucznej inteligencji (artificial inteligence). Procesy przetwarzania danych i analizowania statystyk to również elementy sztucznej inteligencji. Dzięki powyższym czynnościom możemy sformułować już jakieś wnioski czy choćby przewidywać konsekwencje pewnych działań. Jedno jest pewne: sztuczną inteligencję zaliczamy do dziedzin nadrzędnych, a poprzez sprecyzowane algorytmy maszynowego uczenia sztuczna inteligencja może dodatkowo się rozwijać. Nie musimy do tego używać dodatkowych oprogramowań. Wyodrębniamy trzy podzbiory sztucznej inteligencji:

  • uczenie maszynowe;
  • uczenie głębokie; tę poddziedzinę uczenia nazywamy ,,głęboką”, zważywszy na to, że angażujemy nią sporo warstw neuronowej sieci. Wykorzystujemy wówczas duże ilości nieuporządkowanych danych, które stopniowo weryfikujemy na coraz to bardziej zaawansowanym stopniu dokładności. Jeśli mielibyśmy to zobrazować na podstawie przykładu, to przywołajmy moment próby zidentyfikowania jakiejś rośliny. Przykładając urządzenie mobilne do rośliny, dowiadujemy się dzięki sztucznej inteligencji stopniowo:
  • że mamy do czynienia z rośliną;
  • później, że to np. kwiat;
  • następnie, za sprawą kolejnej warstwy sieci neuronowej dowiadujemy się, że mamy przed sobą stokrotkę;
  • w końcowym etapie eliminacji, za sprawą sztucznej inteligencji dowiadujemy się, że chodzi dokładnie o gatunek stokrotki pospolitej.

Rodzaj uczenia, które omawiamy, wykorzystujemy w rozpoznawaniu głosowym oraz we wszelkich analizach farmaceutycznych oraz w klasyfikowaniu różnych obrazów. Wewnątrz uczenia głębokiego wyróżniamy sieci neuronowe –  (ang. artificial neural network, ANN). Są one imitacją działania neuronów mózgowych ludzkich. W naśladowczym ujęciu nazywamy je węzłami, które możemy pogrupować na rozliczne korelujące między sobą warstwy. Funkcjonują one na zasadzie przekazywania sygnałów numerycznych, które zostają przetworzone na informację. Jest ona przekazywana do następnych neuronów. Zauważmy, ze podobnie działa mózg ludzki. Im silniejsze wzmocnienie neuronów, tym większa szansa na to, że zgromadzimy sporo fachowej wiedzy, którą następnie wykorzystamy w praktyce.

Nadrzędne modele uczenia maszynowego

Jeśli chcemy dokładniej zobrazować zasady maszynowego uczenia, musimy wyodrębnić jego podstawowe modele oraz związane z nimi konkretne techniki algorytmiczne. Zaznaczmy, że w zależności od różnego rodzaju danych  i przewidywanych wyników analiz, wykorzystujemy jeden z możliwych schematów machine learning. A więc, wymieńmy i przybliżmy te modele:

  • nadzorowany –  w przypadku tego modelu w algorytmach naukę opieramy na przykładach. Obejmujemy tutaj  konkretne pary danych wejściowych oraz tych końcowych. Te końcowe oznakowujemy pożądaną wartością. By to wyjaśnić, posłużmy się przykładem: naszym celem jest nauczyć system rozróżnienia dwóch gatunków kwiatów – krokusa i sasanki.  Mamy parę danych wejściowych, które zawierają obrazy obu gatunków kwiatków. Wynik, którego oczekujemy w przypadku tej pary to sasanka, zatem odzwierciedlenie sasanki jest uznane za odpowiedź prawidłową. Jeśli chodzi o algorytm, to system zapisuje dane, które wdrożyliśmy i z biegiem czasu zaczyna ,,widzieć” różnice oraz cechy wspólne, wraz z logicznymi elementami. Ponadto możemy prognozować, który z powyższych obrazów roślin oznaczony zostanie jako sasanka. Upraszczając omówiony proces, przybliżmy sytuację, kiedy podajemy małemu dziecku kompletu zadań z kluczem odpowiedzi. Poprośmy następnie malca o zaprezentowanie swoich wyników oraz o przedstawienie sposobu działania. Schematy uczenia nadzorowanego odnajdujemy w wielu sytuacjach życia codziennego. Wymienić tu możemy rekomendacje produktów oraz aplikacje przeznaczone do analizy ruchu, dzięki którym możemy ustalić najszybszą trasę o każdej porze doby.
  • nienadzorowany – w przypadku tego modelu nie mamy jasnego klucza odpowiedzi. W praktyce oznacza to, że określonym systemem badamy wejściowe dane, które w większości są uporządkowane. Rozpoczynamy wówczas rozpoznawać określone wzorce oraz zależności w oparciu o wykorzystanie wszelkich ważnych danych. Jeśli mielibyśmy zobrazować ten model uczenia maszynowego, to porównajmy go do jednego ze sposobów, w jaki obserwujemy otaczający nas świat. Zazwyczaj kierujemy się doświadczeniami i intuicją i wiążemy różne zjawiska w ciągi przyczynowo – skutkowe. Jeśli chodzi o nauczanie maszynowe, one również nabywają doświadczenia w podobny sposób. Definiujemy to na podstawie ilości danych, które dajemy im do przetworzenia. Przykładem zastosowania omówionego modelu machine learning są następujące czynności, które może wykonać dla nas nasze urządzenie mobilne: rozpoznawanie twarzy, badania rynkowe, analizowanie poszczególnych sekwencji genów, różne działania bezpieczeństwa cybernetycznego.  

Co to jest machine learning i czym jest uczenie maszynowe? Inne modele nauczania maszynowego

Wśród schematów nauczania maszynowego wyróżniamy jeszcze modele:

  • częściowo nadzorowany – ten model maszynowego uczenia sprawdza się we współczesnym świecie, zważywszy na fakt dużej ilości nieuporządkowanych  i ,,suchych” danych, Towarzyszą  nam one na co dzień  Algorytm tego rodzaju uczenia maszynowego jakoby zaleca systemowi przetworzenie ich w kontekście ich właściwości współzależnych. Mankamentem, który musimy podkreślić jeśli omawiamy częściowo nadzorowany model uczenia maszynowego jest przyjmowanie i przetwarzanie przez system nieprawidłowych informacji. Innymi słowy są to dane, które błędnie zostały oznakowane. Te przedsiębiorstwa, w których wykorzystujemy omawiany model, skrzętnie preparują protokoły. Opieramy je na sposobach wyłącznie sprawdzonych. Tego sposobu uczenia używamy często podczas analizy mowy oraz języka. Wykorzystujemy też tę metodę podczas przeprowadzania zaawansowanych badań medycznych oraz w demaskowaniu oszustw.
  • ze wzmocnieniem – bazując na tym modelu uczenia maszynowego, uwzględniamy odpowiedzi tzw. odpowiedzi kluczowe. Posiłkujemy się jednocześnie całym zbiorem różnych reguł oraz zgodnych z prawem działań. Jeśli pożądany przez nas cel algorytmu jest pewny, to możemy uczyć się na przykładach. Niestety w przypadku, gdy oczekujemy zmiennego rozwiązania, musimy bazować na wykorzystaniu doświadczeń. W przypadku omawianego modelu machine learning  tzw. nagroda jest matematyczna oraz mamy do czynienia z  zaprogramowaniem w algorytmie w taki sposób, by system dążył do jego zebrania. Jeśli mielibyśmy porównać do czegoś omawiany model uczenia maszynowego, to możemy przyłożyć go do gry w szachy. Na pewno nie byłoby możliwe pokazanie początkującemu graczowi wszystkich możliwych ruchów. Możemy jednak przystępnie wyjaśnić zasady tej gry. Tzw. nagroda ma postać tutaj nie tylko zwycięstwa, lecz również stopniowe zbijanie figur przeciwnika. Żywym przykładem wykorzystania omawianego modelu uczenia maszynowego jest choćby opracowywanie gier komputerowych, gra na giełdzie. Jeśli składamy zautomatyzowane oferty cenowe, to możemy również mówić o zastosowaniu omawianego schematu uczenia maszynowego.  

W każdym z powyższych modeli stosujemy co najmniej jedną z algorytmicznych technik. Uzależniamy to od tego, na jakich zbiorach danych pracujemy oraz od tego jakie planujemy wyniki. Wspomniane algorytmy używamy pojedynczo lub je łączymy, jeśli chcemy uzyskać jak najprecyzyjniejsze wyniki, zwłaszcza, gdy mamy do czynienia z mało przewidywalnymi i złożonymi danymi.

One thought on “Co to jest machine learning i czym jest uczenie maszynowe?

Dodaj komentarz

Twój adres e-mail nie zostanie opublikowany.