Мое первое впечатление от машинного обучения (МО) было то, что это очень продвинутый навык, много математики и подходит только для гиков. Я здесь не один, но это впечатление не совсем верное. МЛ может каждый!
Представьте, что вам поручили определить, является ли данная фотография фотографией Обамы. Однако есть сюжетный поворот: вы не должны его видеть, вместо этого разрешается задавать столько вопросов, сколько вам хочется.
Почему я не вижу фотографию? Потому что, просматривая ее, вы используете God Learning / GL силой своего мозга, а не машинное обучение.
Итак, вы начали задавать вопросы. Какого цвета волосы? У него или у нее большие глаза? Он или она улыбается? И т. д. и т. д. На основе этих вопросов и ответов вы устанавливаете правило, что если 99% ответов верны, то на фото Обама, иначе нет.
Постановка задачи
Приведенный выше подход, основанный на правилах, будет работать в некоторой степени. Но что, если для тестирования используется фотография двойника Обамы. Ваш длинный хорошо проверенный список правил, скорее всего, потерпит неудачу. А что, если нам нужно сделать то же самое, чтобы распознавать фотографии любых случайных людей, используя этот подход, основанный на правилах? Это стало бы невыполнимой задачей миссии.
Какое же решение?
Вместо того, чтобы использовать подход, основанный на правилах (подход, основанный на правилах, — это не машинное обучение), вы гуглите фото 20 Обамы. Затем кадрирование картинки (удаление окружающего) — читай: очистка данных.
Получив эти фотографии, используйте алгоритм машинного обучения, чтобы изучить примеры фотографий и создать модель, называемую моделью машинного обучения.
Алгоритм машинного обучения — это место, где компьютерщики появляются в кадре, и многие из них публикуются как с открытым исходным кодом — один из самых популярных алгоритмов машинного обучения, который называется Глубокое обучение.
В этой модели машинного обучения происходит волшебство. Удивительно, но правильная модель машинного обучения может довольно точно предсказать, является ли фотография Обамой или нет.
Ключевой вывод здесь заключается в том, что, имея меньше трудозатрат (поскольку найти в Google и обрезать 20 фотографий Обамы гораздо проще, чем составлять длинный список вопросов и ответов), мы по-прежнему получаем более точный механизм прогнозирования.
Может ли модель машинного обучения потерпеть неудачу? Да, может выйти из строя. Вот почему иногда вы не можете разблокировать свой смартфон с помощью распознавания лиц.
Но есть много способов снизить частоту отказов. В нашем примере мы могли бы использовать больше примеров фотографий Обамы с разной экспозицией, лицом вверх, лицом вниз, повернутым налево, повернутым направо, в серьезном режиме, улыбающимся, смеющимся и т. д. Для расширенные методы, мы могли бы настроить, используя разные алгоритмы машинного обучения или используя разные параметры настройки (например, настройку радиоканала) для одного и того же алгоритма.
Таким образом, машинное обучение (ML) учится на образцах данных для решения нашей постановки задачи.
Продолжайте учиться и получайте удовольствие.
