Тимур Машнин

Машинное обучение и Искусственный Интеллект


Скачать книгу

чтобы получить представление о данных.

      Например, наука о данных может использовать алгоритмы машинного обучения и даже модели глубокого обучения, чтобы извлечь смысл и сделать выводы из данных.

      Существует некоторое пересечение между ИИ и наукой о данных, но одно не является подмножеством другого.

      Наоборот, наука о данных – это более широкий термин, охватывающий всю методологию обработки данных.

      А ИИ включает в себя все, что позволяет компьютерам учиться решать задачи и принимать разумные решения.

      И ИИ, и Data Science могут использовать большие данные.

      Машинное обучение, подмножество искусственного интеллекта, использует компьютерные алгоритмы для анализа данных и принятия разумных решений на основе того, что алгоритмы изучили.

      Вместо того, чтобы следовать алгоритмам, основанным на правилах, машинное обучение само строит модели для классификации и прогнозирования на основе данных.

      Например, что, если мы хотим определить, может ли возникнуть проблема с нашим сердцем, с помощью машинного обучения?

      Можем ли мы это сделать.

      И ответ – да.

      Допустим, нам даны такие данные, как количество ударов в минуту, вес тела, возраст и пол.

      С машинным обучением и этим набором данных, мы можем изучить и создать модель, которая с учетом входных данных будет предсказывать результаты.

      Так в чем же разница между этим подходом и просто использования статистического анализа для создания алгоритма?

      Алгоритм – это математическая техника.

      В традиционном программировании мы берем данные и правила и используем их для разработки алгоритма, который даст нам ответ.

      В этом примере, если бы мы использовали традиционный алгоритм, мы бы взяли данные, такие как сердечный ритм, возраст, вес тела и пол и использовали эти данные для создания алгоритма, который определит, будет ли сердце работать нормально или нет.

      По сути, это было бы выражение if – else.

      Когда мы отправляем входные данные, мы получаем ответы, основанные на том, какой алгоритм мы определили, и этот алгоритм не изменится от данных.

      Машинное обучение, с другой стороны, берет данные и ответы и уже потом само создает алгоритм.

      Вместо того, чтобы получить ответы в конце, у нас уже есть ответы.

      А то, что мы получаем здесь, – это набор правил, определяющих модель машинного обучения.

      И эта модель определяет правила и оператор if – else при получении входных данных.

      И эта модель, в отличие от традиционного алгоритма, может постоянно обучаться и использоваться в будущем для прогнозирования значений.

      Машинное обучение опирается на определение правил путем изучения и сравнения больших наборов данных, чтобы найти общие закономерности.

      Например, мы можем создать программу машинного обучения с большим объемом изображений птиц, и обучить модель возвращать название птицы всякий раз, когда мы даем изображение птицы.

      Когда для