Nilalaman
- Ano ang Pag-aaral ng Makina?
- Ano ang Tradisyonal na Programming?
- Paano Magkaiba ang Pagkatuto ng Machine
- Ang Kahalagahan ng Pag-aaral ng Machine
- Algorithms at Mga Proseso sa Pag-aaral ng Machine
- Ang Epekto ng Pag-aaral ng Machine sa Negosyo
- Ilang Mga Praktikal na Mga Kaso sa Paggamit
- Konklusyon
Pinagmulan: Stockernumber2 / Dreamstime.com
Takeaway:
Ang pag-aaral ng makina ay patuloy na tumataas sa kahalagahan. Narito ang mga pangunahing kaalaman upang makatulong na maunawaan kung ano ang ginagawa at kung paano ginagamit.
Sa mga nagdaang taon ang salitang "pag-aaral ng makina" ay nai-pop up sa iba't ibang mga talakayan at forum, ngunit ano ang eksaktong ibig sabihin nito? Ang pagkatuto ng makina ay maaaring matukoy bilang isang pamamaraan para sa pagsusuri ng data, batay sa pagkilala sa pattern at pag-aaral ng computational. Binubuo ito ng iba't ibang mga algorithm tulad ng mga neural network, mga puno ng pagpapasya, mga network ng Bayesian, atbp. Ginagamit ng pag-aaral ng machine ang mga algorithm na ito upang malaman mula sa data at mabawi ang mga nakatagong pananaw mula sa data. Ang proseso ng pag-aaral ay iterative, kaya ang bagong data ay hawakan din nang walang anumang pangangasiwa. Ang agham upang malaman mula sa nakaraang data at gamitin ito para sa hinaharap na data ay hindi bago, ngunit nakakakuha ito ng higit na katanyagan.
Ano ang Pag-aaral ng Makina?
Habang ang ilang mga tao ay naniniwala na ang pag-aaral ng makina ay hindi mas mahusay kaysa sa tradisyonal na pamamaraan ng computer programming na ginagamit pa rin, marami ang isinasaalang-alang ang pag-aaral ng makina upang maging isang rebolusyon sa larangan ng artipisyal na intelihente (AI). Naniniwala sila na ang paggamit ng teknolohiyang ito, matututunan ng mga makina ang mga bagay at gawin ang mga bagay na may sariling karanasan, sa halip na sundin lamang ang mga tagubilin ng tao.
Upang maunawaan ang higit pa tungkol sa kahulugan ng pag-aaral ng makina, maaari naming ihambing ito sa tradisyonal na computer programming. Ang mga sumusunod na seksyon ay tatalakayin ang higit pa tungkol sa pag-aaral ng makina at pagkakaiba nito mula sa tradisyonal na programming. (Para sa ilan sa mga kalamangan at kahinaan ng pag-aaral ng makina, tingnan ang The Promises at Pitfalls ng Machine Learning.)
Ano ang Tradisyonal na Programming?
Kapag nagprograma tayo ng isang computer, ang aktwal na ginagawa natin ay ang pagbibigay nito ng mga direksyon sa isang wikang naiintindihan nito. Pagkatapos, kapag binigyan namin ito ng isang input, nagbibigay ito ng isang output batay sa mga tagubilin na ibinigay namin dito.
Ngayon, isipin na nagbigay ka ng isang input upang mag-aplay para sa isang credit card. Habang pinoproseso ang iyong input, titingnan ng system ang lahat ng mga mahahalagang bahagi ng iyong aplikasyon, kunin ang kinakailangang impormasyon at iproseso ito. Pagkatapos nito, gagawa ito ng output ng pagtanggap o pagtanggi batay sa programa na pinakain dito.
Paano Magkaiba ang Pagkatuto ng Machine
Kung gumagamit ka ng pag-aaral ng makina sa lugar ng tradisyonal na mga pamamaraan sa pagprograma sa senaryo ng credit card, kung gayon ang resulta ay medyo naiiba. Ang resulta ay batay sa data ng pag-input at makakakuha ng karanasan ang system sa pamamagitan ng pagproseso ng data ng pag-input. Walang espesyal na programa para dito. Habang nakakakuha ito ng mas maraming karanasan, ang pagganap nito ay makakakuha ng mas mahusay sa oras.
Kaya, ang pagkatuto ng makina ay talagang natututo sa pamamagitan ng pagsusuri sa malaking dami ng mga file ng data na ginawa sa bawat paggamit ng system. Habang pinag-aaralan nito ang data, binabago nito ang programming ayon sa mga mas bagong kahilingan. Ito ay humahantong sa pagpapabuti sa katumpakan nito rin. Maaari din nating sabihin na ang pag-aaral ng makina ay tulad ng isang linear regression, kung saan ang mga variable at mga parameter ay binago upang mas mahusay na tumugma sa ibinigay na input.
Sa pamamaraang ito, ang mga algorithm ay kasama sa mga halimbawa ng may label, kung saan ang data na may label ay nangangahulugang ang data ay binibigyan ng isang paglalarawan. Ang sistema ng pag-aaral ng machine ay makakatanggap ng parehong mga input at ang kanilang mga kaukulang output. Ngayon, ang sistema ay maaaring makakuha ng mas maraming karanasan sa pamamagitan ng paghahambing ng mga aktwal na output sa tamang mga output upang makahanap ng mga error.
Matapos suriin ang mga output at pagtukoy ng mga pagkakamali, mababago ng system ang pag-ayos nito nang naaayon. Ang system ay maaaring gumamit ng iba't ibang mga pamamaraan upang mahulaan ang label sa walang data. Ang pamamaraang ito ay ginagamit upang gawin ang mga hula sa kaganapan sa hinaharap batay sa nakaraang data.
Ang paraan ng pag-aaral ng machine na ito ay ginagamit sa mga lugar tulad ng paglalaro, pag-navigate ng sasakyan at mga robotics. Sa pamamaraang ito, natututo ang system sa pamamagitan ng isang pamamaraan ng pagsubok at error. Ang pangunahing layunin sa pamamaraang ito ay upang matukoy ang output sa hindi bababa sa dami ng oras, na maaaring gawin sa pamamagitan ng pagsunod sa isang angkop na patakaran.
Ang Kahalagahan ng Pag-aaral ng Machine
Ang kahalagahan ng pag-aaral ng makina ay lumalaki araw-araw dahil sa parehong mga kadahilanan na naging napakahalaga ng konsepto ng pagmimina ng data. Kasama sa mga kadahilanang ito ang murang at malakas na lakas ng computational, malaking halaga ng data na nilikha araw-araw at murang at mataas na kapasidad ng mga pamamaraan ng pag-iimbak ng data. Ang mga kadahilanang ito ay nagsisiguro na ang malakas at tumpak na mga modelo ay maaaring gawin nang napakabilis, na maaaring magamit sa pagsusuri ng malaking mga reserbang data nang maramihan, upang makakuha ng mas mahusay, lubos na tumpak na mga output. Nangangahulugan ito na ang mas mahusay na mga modelo ay maaaring magamit para sa paggawa ng mas mahusay na mga desisyon sa korporasyon at negosyo sa mas kaunting oras, at nang walang pagsisikap ng tao.
Ang isang paraan upang mabilis na gawin ang tumpak na mga modelo ay ang awtomatikong paggawa ng modelo. Ang modelong ito ay dapat na maging pabago-bago upang mapanatili ang mga pagbabago sa mga oras. Habang ang mga tao ay karaniwang maaaring lumikha ng dalawang modelo sa isang linggo, ang pag-aaral ng makina ay maaaring lumikha ng libu-libong tumpak na mga modelo sa pamamagitan ng pag-aaral ng mabilis na data. Iyon ang dahilan kung bakit napakahalaga ng pag-aaral ng makina para sa mga negosyo at iba pang larangan.
Algorithms at Mga Proseso sa Pag-aaral ng Machine
Ang mga algorithm ng pagkatuto ng makina ay nakakatulong upang masulit ang malaking data, sa pamamagitan ng pagtulong sa system upang mabilis na masuri ang data at makabuo ng tumpak na mga resulta. Ang mga algorithm na ito ay tumutulong sa paglikha ng isang modelo na maaaring magamit para sa paggawa ng mga pagpapasya sa negosyo. Ang ilang mga uri ng algorithm ay mga network ng neural, random na kagubatan, k-nangangahulugang kumpol, pag-aayos ng sarili ng mga mapa at pinakamalapit na kapitbahay.
Gayunpaman, ang paggamit ng mga algorithm ay hindi lahat. Ang pinakamahusay na modelo ay maaari lamang gawin sa pamamagitan ng pagsunod sa isang angkop na proseso. Ang ilang mga halimbawa ng naturang mga proseso ay ang komprehensibong pamamahala ng data, interactive na pagsaliksik ng data at paggunita ng mga resulta na natagpuan ng modelo.
Ang Epekto ng Pag-aaral ng Machine sa Negosyo
Ang epekto ng pag-aaral ng makina sa negosyo ay napakalaking. Ang pag-aaral ng makina ay nagbukas ng mga bagong posibilidad para sa mga negosyo. Nakatulong ito sa tumpak na paggawa ng modelo, na kung saan ay nakatulong sa paggawa ng mas mahusay at mas matalinong pagpapasya.
Ilang Mga Praktikal na Mga Kaso sa Paggamit
Ginagamit ang pagkatuto ng makina sa maraming lugar. Ginagamit ng mga system ng rekomendasyon ang pagkatuto ng makina upang gumawa ng mga rekomendasyon sa mga gumagamit sa real time batay sa kanilang mga kagustuhan at kasalukuyang mga pattern ng merkado.
Ang Promedas, na isang software na medikal o isang "desktop doktor," ay isang programa na nakabase sa machine-learning na gumagamit ng daan-daang taon ng kaalaman sa medikal upang matulungan ang mga doktor sa pag-alis at pag-diagnose ng sakit. Ginagamit nito ang data na nakolekta mula sa mga nakaraang tala ng mga pattern ng sakit upang makilala ang sakit sa mga pasyente. Makakatulong ito sa mas mabilis na pagkilala at pagpapagamot ng mga karamdaman.
Ang automated na pag-access ng Amazon ay nagbibigay ng pagbibigay at pagwawasto sa pamamagitan ng isang algorithm ng computer na maaaring mahulaan ang pag-access sa mapagkukunan para sa bawat empleyado. Para sa mga ito, ginagamit ng computer algorithm ang mga talaan upang pag-aralan ang mga panganib at kung paano maaasahan ang isang empleyado sa pangkalahatan.
Ang algorithm ng pag-aaral ng machine ay ginagamit din ng Cornell University upang makita ang mga balyena sa karagatan sa pamamagitan ng mga pag-record ng tunog upang maiiwasan ng mga barko ang mga balyena. Sinuri ng algorithm ang paglipat ng data ng paglilipat ng mga balyena (kung saan sila pupunta at kailan) upang matukoy ang landas na dapat gawin ng isang barko upang maiwasan ang mga balyena. (Upang matuto nang higit pa tungkol sa mga praktikal na paggamit ng pag-aaral ng makina, tingnan ang Pag-aaral ng Machine at Hadoop sa Detalyadong Pag-aayos ng Pandaraya ng Next.)
Konklusyon
Habang lumalaki ang data araw-araw, ang kahalagahan ng epektibong pagproseso ay lumalaki din. Para sa mga ito, ang mga pamamaraan ng pagkatuto ng makina ay naimbento, na tumutulong sa system sa paggawa ng mga matalinong pagpapasya, na may kaunting paglahok ng mga tao. Ang kasalukuyang epekto ng teknolohiyang ito sa sektor ng IT ay napakalaking, kaya madaling isipin na ang kahalagahan nito ay magpapatuloy lamang sa paglaki sa hinaharap.