Общие сведения о машинном обучении
Машинное обучение является основой для большинства решений на основе искусственного интеллекта. С 1950-х, исследователи, часто известные как специалисты по обработке и анализу данных, работали над различными подходами к ИИ. Большинство современных приложений ИИ имеют свои корни в машинном обучении, филиал ИИ, который объединяет компьютерную науку и математику.
Рассмотрим реальный пример того, как машинное обучение можно использовать для решения сложной проблемы.
Устойчивые методы ведения сельского хозяйства необходимы для максимального увеличения производства продовольствия при одновременной защите уязвимой окружающей среды. Доходность, сельскохозяйственная технологическая компания, базирующаяся в Австралии, использует датчики, данные и машинное обучение, чтобы помочь фермерам принимать обоснованные решения, связанные с погодой, почвой и условиями растений.
Дополнительные сведения см. в следующем видео.
принципы работы машинного обучения;
Так как же машины учатся?
Правильный ответ — с помощью данных. Сегодня мы создаем огромные объемы данных в повседневной жизни. Мы создаем большой объем информации в текстовых сообщениях, сообщениях электронной почты и социальных сетях, отправляемых фотографиях и видеозаписях, которые мы снимаем на телефоны. Еще больше данных создается миллионами датчиков в наших домах, автомобилях, городах, инфраструктуре общественного транспорта и фабриках.
Специалисты по обработке и анализу данных могут использовать все эти данные для обучения моделей машинного обучения, которые могут делать прогнозы и выводы на основе связей, которые они находят в данных.
Модели машинного обучения пытаются записать связь между данными. Например, предположим, что организация по охране окружающей среды хочет, чтобы добровольцы идентифицировали и каталогизировали различные виды диких цветов с помощью телефонного приложения. В следующей анимации показано, как можно использовать машинное обучение для реализации этого сценария.
- Команда ботаников и специалистов по обработке и анализу данных собирает данные об образцах полевых цветов.
- Команда помечает образцы с правильными разновидностями цветов.
- Помеченные данные обрабатываются с помощью алгоритма, который находит связи между признаками образцов и помеченными разновидностями.
- Результаты алгоритма инкапсулируются в модели.
- Когда добровольцы находят новые образцы, модель может идентифицировать правильную метку разновидности.
Подходы к ИИ продвинулись в выполнении задач гораздо большей сложности. Эти сложные модели формируют основу возможностей искусственного интеллекта.
Машинное обучение в Microsoft Azure
Microsoft Azure предоставляет Службу машинного обучения Azure — облачную платформу для создания и публикации моделей машинного обучения и управления ими. Машинное обучение Azure Studio предлагает несколько возможностей разработки, таких как:
- Автоматизированное машинное обучение: эта функция позволяет не экспертам быстро создавать эффективную модель машинного обучения на основе данных.
- Машинное обучение Azure конструктор: графический интерфейс, обеспечивающий разработку решений машинного обучения без кода.
- Визуализация метрик данных: анализ и оптимизация экспериментов с визуализацией.
- Записные книжки: запись и запуск собственного кода на управляемых серверах Jupyter Notebook, которые непосредственно интегрированы в студию.