Введение: Понимание машинного обучения: от теории к алгоритмам

Благодаря далеко идущим приложениям машинное обучение является одной из наиболее быстро развивающихся областей информатики. Понимание машинного обучения: от теории к алгоритмам Цель книги — принципиально представить машинное обучение и представленные в нем алгоритмические парадигмы.

Понимание машинного обучения: от теории к алгоритмам

В нем содержится углубленный взгляд на основы машинного обучения и математические выводы, которые превращают эти принципы в практические алгоритмы. Помимо общего введения в эту область, книга знакомит с широким спектром центральных тем, которые не были затронуты в предыдущих учебниках.

В нем обсуждаются вычислительная сложность, выпуклость и стабильность, включая стохастический градиентный спуск, нейронные сети и обучение структурированному выводу, а также новые концепции, такие как подход PAC-Bayes и границы на основе сжатия. Студенты и читатели, не являющиеся экспертами в области статистики, информатики, математики и инженерии, могут понять основы и алгоритмы машинного обучения из этого текста, предназначенного для продвинутых студентов или аспирантов.

Читайте также: 10 лучших книг по искусственному интеллекту для начинающих

Анализ и обсуждения

Широкий спектр применений МО ставит ряд проблем. Вот несколько из них:

• Чтобы быть точными и эффективными, алгоритмам машинного обучения требуются большие объемы данных, которые в настоящее время недоступны исследователям. Благодаря доступу к огромным объемам данных технологические гиганты, такие как Facebook и Google, лидируют в области искусственного интеллекта. Еще труднее получить эту информацию в таких секторах, как банковское дело и здравоохранение, где скудность цифровых данных затрудняет точные прогнозы.
• Обнаружение спама во входящих сообщениях по-прежнему является проблемой для разработанных до сих пор интеллектуальных систем. В итоге он отправляет спам в папку со спамом, а неспам — во входящие.
• Идентификация объектов и изображений с помощью алгоритмов машинного обучения пока не увенчалась успехом. Эта область остается открытой для дальнейших исследований. Помимо обсуждаемых здесь проблем, существует множество других областей, в которых алгоритмы глубокого обучения еще предстоит успешно применить, например, понимание речи, обнаружение мошенничества с кредитными картами, обнаружение лиц, распознавание цифр по почтовому индексу, рекомендации по продуктам и т. д.

Читайте также: Искусственный интеллект и авиаперелеты

Алгоритмы машинного обучения постоянно разрабатываются и наверняка получат широкое распространение в будущем. Это инструмент, который можно использовать в широком спектре приложений; существенное финансирование и интеллектуальный потенциал способствуют расширению границ инноваций. Ниже приведены некоторые примеры открытых областей применения:

• Например, глубокое обучение позволяет прогнозировать тенденции фондового рынка, проектировать схемы, выявлять болезни, проектировать устройства с голосовым управлением и т. д. (с особым акцентом на генеративно-состязательные нейронные сети).
• Использование интеллектуального анализа данных и анализа больших данных, например, для прогнозирования бизнес-тенденций. • Использование обработки естественного языка в поисковых системах, например.
• Новые аппаратные ускорители искусственного интеллекта, например, от Intel и AMD.
• Среды тестирования и оценки, такие как виртуальная реальность и беспилотные автомобили.
• Машинное обучение в здравоохранении (медицинская визуализация, работа с клиническими данными, анализ огромных массивов геномных данных).
• С появлением облачных вычислений и Интернета вещей технология HCI (взаимодействие человека с компьютером) постоянно совершенствует интерфейсы и повышает удобство использования между различными устройствами.
• Возможности машинного обучения будут быстро расти в ближайшие годы.

Читайте также: Футуристическая фабрика Inside Arrival

Машинное обучение в будущем

Ожидается, что в ближайшем будущем машинное обучение будет включено практически во все программные приложения. Машинное обучение улучшает понимание контекста и семантики предложений с помощью обработки естественного языка, поэтому мы недалеко от того времени, когда компьютеры смогут говорить, как люди.

Мы ожидаем, что в ближайшем будущем инструменты и методы машинного обучения смогут подключаться к Интернету и постоянно сохранять информацию. Таким образом, алгоритмы всегда будут помнить свои алгоритмы, и их не нужно будет обучать снова и снова. Можно улучшить персонализацию и улучшить рекомендации, что приведет к более успешному и полезному опыту.

В результате интернет-революции и оцифровки приходится анализировать большой объем структурированных и неструктурированных данных. Являясь ключевым фактором развития технологий, машинное обучение использует знания из доступных данных.

Читайте также: Что такое НЛП?

Кроме того, решения машинного обучения для сложных реальных задач были приняты как исследователями, так и практиками, что делает эту динамичную область исследований, требующую активного участия представителей разных отраслей и стран. Машинное обучение как технологическое решение играет важную роль в понимании роли, преимуществ и масштабов применения.