Примечание. Это просто пример, который поможет вам понять разницу в том, как работают основные принципы машинного обучения и глубокого обучения. Глубокое обучение и машинное обучение не используются одновременно в большинстве случаев, включая этот. Позже вы узнаете, почему.
Deep learning & Machine learning: в чем разница?
В чем разница между глубоким обучением и машинным обучением? Насколько они похожи или различны? Насколько они выгодны для бизнеса? Давайте узнаем!
Машинное обучение и глубокое обучение — две области искусственного интеллекта (ИИ), которые в последние годы привлекли к себе большое внимание. Если вы хотите получить простое объяснение их различий, вы пришли по адресу!
Прежде всего, давайте посмотрим на некоторые интересные факты и статистику Deep learning и Machine learning:
- Зарплата эксперта по ИИ эквивалентна стоимости автомобиля Roll-Royce Ghost Series II 2017 года (по данным New York Times),
- Есть ли вероятность того, что вы можете потерять работу из-за развития искусственного интеллекта? Согласно недавнему отчету PwC — возможно. По их прогнозам, примерно к 2030 году 38% всех рабочих мест в США могут быть заменены технологиями искусственного интеллекта и автоматизации,
- Первая программа искусственного интеллекта, The Logic Theorist, была разработана компанией Newell & Simon (Всемирная информационная организация) в 1955 году,
- Исследователи прогнозируют, что к 2020 году 85% взаимодействий с клиентами будут происходить без участия человека (Gartner),
- Рынок искусственного интеллекта или машинного обучения вырастет до $5,05 млрд к 2020 году (Motley Fool),
Любопытно? Давайте теперь попробуем понять, в чем на самом деле заключается разница между Deep Learning и Machine Learning и как вы можете использовать их для новых возможностей бизнеса.
Deep learning & Machine learning
Вы должны иметь базовое понимание Deep Learning и Machine Learning. Для «чайников» вот несколько простых определений:
Машинное обучение для чайников:
Подполе искусственного интеллекта, занимающееся разработкой алгоритмов, которые могут модифицировать себя без вмешательства человека для достижения желаемого результата путем подачи структурированных данных.
Deep Learning for Dummies:
Подразделение машинного обучения, которое включает в себя создание алгоритмов, функционирующих аналогично машинному обучению, но существует несколько уровней этих алгоритмов, каждый из которых обеспечивает различную интерпретацию данных, подаваемых в него. Эта сеть алгоритмов называется искусственными нейронными сетями. Проще говоря, она напоминает нейронные связи в человеческом мозге.
Взгляните на изображение выше. Это коллекция фотографий кошек и собак. Теперь предположим, что вы хотите идентифицировать фотографии собак и кошек одну за другой с помощью алгоритмов машинного обучения и нейронных сетей глубокого обучения.
Каждая нейронная сеть состоит из набора нейронов (признаков) и связей между ними. Задача нейрона — принимать входные числа, выполнять над ними определенные действия и выдавать результат. Примером полезного нейрона является сумма всех цифр на входах, и если сумма больше N, он возвращает единицу, в противном случае — ноль.
Типы машинного обучения: два подхода к обучению
Машинное обучение основано на алгоритмах. Сегодня используются два основных типа алгоритмов машинного обучения: обучение под наблюдением и самообучение. Разница заключается в том, как данные изучаются для последующего прогнозирования.
- Значение цикла обслуживания клиентов,
- обнаружение аномалий,
- динамическое ценообразование,
- предиктивное управление услугами,
- распознавание образов,
- разработка рекомендаций.
Машинное обучение и разработчики
Приступая к машинному обучению, разработчики опираются на свои знания статистики, теории вероятности и математического анализа, чтобы успешно создавать модели, способные обучаться с течением времени. Если программисты обладают необходимыми навыками в этих областях, то изучение инструментов, используемых многими другими программистами для обучения современных алгоритмов ML, не должно быть проблемой. Программисты также могут решить, нужно ли контролировать свои алгоритмы. Разработчик может принимать решения и предварительно обучать модель в проекте, а затем позволить модели обучаться без вмешательства разработчика.
Часто бывает трудно провести грань между программистом и специалистом по исследованию данных. Иногда разработчики синтезируют данные на основе модели машинного обучения, а data scientist занимается разработкой решений для конечного пользователя. Сотрудничество между этими двумя дисциплинами может повысить ценность и полезность проектов машинного обучения.
Бизнес-цель машинного обучения — моделирование жизненного цикла заказчика
Моделирование стоимости цикла обслуживания клиентов очень важно не только для компаний, занимающихся онлайн-продажами, но и для организаций в других отраслях. В этом сценарии использования машинное обучение применяется для выявления, изучения и привлечения наиболее ценных клиентов. Скоринговые модели позволяют анализировать большие объемы данных о клиентах и выявлять клиентов, которые приносят наибольший доход, являются наиболее активными приверженцами бренда и сочетают эти две характеристики.
Модели стоимости цикла обслуживания клиентов особенно эффективны при прогнозировании будущей прибыли, которую принесет отдельный клиент в определенный момент в будущем. Эта информация помогает сосредоточить маркетинговые усилия на тех клиентах, которые принесут наибольшую пользу, и побудить их чаще взаимодействовать с брендом. Модели ценности для цикла обслуживания клиентов также повышают эффективность таргетирования и, соответственно, привлечения новых ценных клиентов.
Пять лет назад искусственный интеллект (или ИИ) ассоциировался с научно-фантастическими фильмами, в которых роботы спасают мир, а суперкомпьютеры пытаются его поработить. Сегодня ИИ у всех на устах. Давайте попробуем понять, в чем заключается магия человекоподобных машин, как они думают и почему машинное обучение необходимо.
Классическое обучение
Большинство искусственных интеллектов используют классическое обучение. Это простые алгоритмы, основанные на закономерностях в данных.
Существует два типа классического обучения:
- Контролируемое обучение,
- обучение без наблюдения.
Обучение с учителем
Принцип прост. Мы обучаем машину на реальных примерах. Предположим, мы хотим научить его отличать яблоки от груш. Мы загружаем данные (набор данных) в программу и сообщаем ей, что на этих картинках изображены яблоки, а на этих — груши. А он, в свою очередь, находит сходства, анализирует их и устанавливает связи.
Если мы дадим машине картинку без описания, она должна будет правильно определить, какой фрукт на ней изображен.
Поэтому важно выбрать правильные данные для обучения и загрузить как можно больше данных: Чем больше данных мы загрузим, тем точнее и быстрее будет идентификация.
Обучение без учителя
Этот метод используется, когда невозможно предоставить роботу маркированные данные. Программное обеспечение находит закономерности, общие черты и классифицирует данные.
Безрепетиторное обучение отлично подходит для кластеризации (сегментирования) данных. Он часто используется в целевой рекламе. Когда действия или предпочтения пользователя не могут быть классифицированы заранее.
Обучение с подкреплением
Возьмем, к примеру, игру в змейку. Змее нужно добраться до объекта на поле, но она не знает, как это сделать и какой путь будет наиболее эффективным, она знает только расстояние до объекта. Методом проб и ошибок змея находит оптимальный ход и анализирует ситуации, которые приводят к проигрышу.
Этот метод также используется для обучения роботов-пылесосов или самоуправляемых автомобилей. Обучение похоже на игру: за правильное решение машина получает очко, а за ошибки очки вычитаются.
Нейросети и глубокое обучение (Deep learning)
Каждая нейронная сеть состоит из набора нейронов (признаков) и связей между ними. Задача нейрона — принимать входные числа, выполнять над ними определенные действия и выдавать результат. Примером полезного нейрона является сумма всех цифр на входах, и если сумма больше N, он возвращает единицу, в противном случае — ноль.
Связи — это каналы, по которым нейроны передают числа между собой. Каждая ссылка имеет свой рейтинг — параметр, который условно можно представить как силу связи. Если число 10 проходит через звено с оценкой 0,5, оно преобразуется в 5. Сам нейрон не понимает, что он получил, и вставляет в последовательность все подряд. Оказывается, рейтинг необходим для того, чтобы контролировать, на какие входы нейрон должен реагировать, а на какие нет.
Нейроны и связи являются условным обозначением — в реальном программировании нейронная сеть — это таблица, и все рассматривается как табличное представление, потому что это экономит скорость.
Что нужно нейронным сетям:
- Распознавание объектов на видео и фотографиях,
- обработка фотографий,
- распознавание речи,
- машинный перевод.
Проще говоря, нейронная сеть работает следующим образом:
На самом деле, все немного сложнее. Изображение делится на пиксели, затем определяются доминирующие горизонтальные и вертикальные линии, которые объединяются в несколько массивов для получения контура объекта. На основе этих данных мы, наконец, приходим к желаемому результату.
В чем разница между глубоким обучением и машинным обучением? Насколько они похожи или различны? Насколько они выгодны для бизнеса? Давайте узнаем!
Обучение с подкреплением
Модели обучения с подкреплением делают прогнозы, предполагая вознаграждение или наказание на основе действий, совершенных в окружающей среде. Система обучения с подкреплением генерирует рекомендации, которые определяют наилучшую стратегию для достижения наибольшего вознаграждения.
Обучение с подкреплением используется для обучения роботов выполнению таких задач, как ходьба по комнате, а также для обучения программ, таких как AlphaGo, игре в го.
- Классификационная модель
- Кластеризация
- Модель
- Политика
- Прогноз
- Регрессионная модель
- Обучение с применением подкрепления
- Вознаграждение
- контролируемое обучение
- Образование
- бесконтрольное обучение
Если не указано иное, содержание этой страницы лицензировано по лицензии Creative Commons Attribution 4.0 License, а код примера лицензирован по лицензии Apache 2.0 License. Для получения дополнительной информации см. руководство Google Site Guidelines for Developers. Java является торговой маркой компании Oracle и/или ее филиалов.
