Omówienie uczenia maszynowego
Uczenie maszynowe jest podstawą dla większości rozwiązań sztucznej inteligencji. Od 1950 roku naukowcy, często znani jako analitycy danych, pracowali nad różnymi podejściami do sztucznej inteligencji. Większość nowoczesnych zastosowań sztucznej inteligencji ma swoje początki w uczeniu maszynowym, gałęzi sztucznej inteligencji, która łączy informatykę i matematykę.
Zacznijmy od przyjrzenia się prawdziwemu przykładowi, jak uczenie maszynowe może być wykorzystane do rozwiązania trudnego problemu.
Techniki zrównoważonej gospodarki rolnej są niezbędne do maksymalizacji produkcji żywności przy jednoczesnej ochronie delikatnego środowiska. Yield, firma zajmująca się technologią rolniczą z siedzibą w Australii, wykorzystuje czujniki, dane i uczenie maszynowe, aby pomóc rolnikom w podejmowaniu świadomych decyzji związanych z warunkami pogodowymi, glebami i roślinami.
Obejrzyj poniższy materiał wideo, aby dowiedzieć się więcej.
Jak działa uczenie maszynowe
Zatem, w jaki sposób maszyny uczą się?
Odpowiedź brzmi — na podstawie danych. W dzisiejszym świecie tworzymy ogromne ilości danych związanych z naszą codzienną aktywnością. Począwszy od wiadomości SMS, wiadomości e-mail i wpisów w mediach społecznościowych, które wysyłamy, po zdjęcia i filmy, które zapisujemy na telefonach, generując ogromne ilości informacji. Jeszcze więcej danych jest tworzonych przez miliony czujników w naszych domach, samochodach, miastach, infrastrukturze transportu publicznego i fabrykach.
Analitycy danych mogą używać tych danych do trenowania modeli uczenia maszynowego, które mogą wykonywać przewidywania i wnioskowania w oparciu o zależności, jakie znajdują się w danych.
Modele uczenia maszynowego próbują przechwycić relację między danymi. Na przykład, załóżmy, że organizacja ochrony środowiska chce, aby wolontariusze zidentyfikowali i skatalogowali różne gatunki dzikich kwiatów za pomocą aplikacji telefonicznej. Poniższa animacja pokazuje, w jaki sposób można wykorzystać uczenie maszynowe do realizacji tego scenariusza.
- Zespół botanistów i naukowców zbiera dane dotyczące próbek dzikich przepływów.
- Zespół umieszcza na próbkach etykiety z odpowiednim gatunkiem.
- Dane oznaczone etykietami są przetwarzane przy użyciu algorytmu, który znajduje zależności między cechami próbek a oznaczonym gatunkiem.
- Wyniki algorytmu są ujmowane w modelu.
- Kiedy nowe próbki zostaną znalezione przez wolontariuszy, model może zidentyfikować prawidłową etykietę gatunku.
Podejścia do sztucznej inteligencji są zaawansowane w celu wykonywania zadań o znacznie większej złożoności. Te złożone modele stanowią podstawę możliwości sztucznej inteligencji.
Uczenie maszynowe na platformie Microsoft Azure
Platforma Microsoft Azure oferuje usługę Azure Machine Learning — opartą na chmurze platformę do tworzenia i publikowania modeli uczenia maszynowego oraz zarządzania nimi. Usługa Azure Machine Edukacja Studio oferuje wiele środowisk tworzenia, takich jak:
- Zautomatyzowane uczenie maszynowe: ta funkcja umożliwia ekspertom szybkie tworzenie efektywnego modelu uczenia maszynowego na podstawie danych.
- Projektant usługi Azure Machine Edukacja: interfejs graficzny umożliwiający tworzenie rozwiązań uczenia maszynowego bez programowania kodu.
- Wizualizacja metryk danych: analizowanie i optymalizowanie eksperymentów za pomocą wizualizacji.
- Notesy: pisanie i uruchamianie własnego kodu na zarządzanych serwerach Jupyter Notebook, które są bezpośrednio zintegrowane w programie Studio.