Maschinelles Lernen ist ein weit verbreiteter Begriff, aber nicht jeder versteht es richtig. In diesem Artikel erklären Ihnen die Experten für die Richtung analytischer Lösungen der KORUS Consulting Group Alena Gaybatova und Ekaterina Stepanova, was maschinelles Lernen (ML) wirklich ist, in welchen Fällen diese Technologie in Projekten eingesetzt werden sollte und wo maschinelles Lernen in der Praxis aktiv eingesetzt wird ...
Wie Daten behandelt werden
Bei Kundengesprächen stellten wir lange Zeit fest, dass jeder maschinelles Lernen, künstliche Intelligenz (KI), Big Data und andere Begriffe aus diesem Bereich verwechselt.
Der allgemeine Name der Technologie lautet also künstliche Intelligenz. Es gibt zwei Arten - stark (auch bekannt als allgemein) und schwach. Wir werden nicht über starke KI sprechen, insbesondere da es sich um Entscheidungen auf Terminator-Ebene handelt. Wir nähern uns dem langsam, aber bisher existiert es nur in Form von Fragmenten schwacher KI, die zusammen gesammelt wurden (wie zum Beispiel in "intelligenten" Spalten).
Es ist viel interessanter, über schwache künstliche Intelligenz zu sprechen. Es ist auch in zwei Typen unterteilt. Das erste sind Expertensysteme , manuell programmierte Algorithmen (zum Beispiel programmierte eine Sprachgruppe einen Algorithmus zum Übersetzen von Wörtern aus einer Sprache in eine andere).
Das zweite sind die sogenannten datengesteuerten Systeme , die die Logik der Arbeit aus einer Art historischer Daten extrahieren. Dieser Typ hat viele Begriffe, die im Laufe der Zeit entstanden sind:
in den 90er Jahren in Mode und Zero Data Mining und Wissensentdeckung aus Datenbank (KDD),
Datenwissenschaft, die näher an 2010 in Gebrauch kam,
Big Data ist heute sehr beliebt. Die einzige Ausnahme oder vielmehr eine Ergänzung, die dieser Begriff einführt, ist das Vorhandensein einer großen Menge komplex strukturierter Daten.
Unterschiedliche Algorithmen für unterschiedliche Aufgaben
In Übereinstimmung mit den beiden Arten der schwachen KI können wir manuell (mit Expertensystemen) und unter Verwendung von maschinellem Lernen Schlussfolgerungen aus den Daten ziehen. Es wird wiederum in zwei Typen unterteilt: klassisches ML und Deep Learning (unter Verwendung tiefer neuronaler Netze mit einer großen Anzahl von Schichten).
ML . , , : , . , , c.
— , , . , : , , . , . , .
, — . , , .
? : , . : — 3 . , .
- , , .
– , , . — : , , — , .
— . , - . — , , , . . . , .
, .
– . C . 4 . – . , , . , , . .
C , — .
1950- . , : .
, . , . , . , , , .
ML . .
, . , .
. ( – , , ). , , , , , .
Uplift, . Uplift , , ( , ), .
–
, . ML . , , .
, - ;
, / ;
, , .
– . C ,
, , , , , . - .
, ML , , , , , , , , — .
, . , , , , , , . , , .
— . , , , , . – , , , . ML — , , , , , , .
, , . ( ), . , , – , - .
C , , , , , , , .
, , , . , , , ML- -.
, , . , , , . , .