Τι είναι η Μηχανική Εκμάθηση

Οι μηχανές είναι σε θέση να μαθαίνω. Αλλά μην αφήσετε αυτό να σας κρατήσει ξύπνιοι με αποκαλυπτικά οράματα ενός κόσμου που κυριαρχείται από ρομπότ που έχουν υποδουλώσει ή εξοντώσει τους ανθρώπους μετά από «μάθηση πάρα πολύ». Και ας μην παρεκκλίνουμε.

ο μηχανική εκμάθηση αποτελείται από μια πειθαρχία υπολογιστών στην οποία, και μέσω αλγορίθμων τεχνητής νοημοσύνης, συστήματα υπολογιστών είναι σε θέση να προσομοιώσουν τη διαδικασία μάθησης του ανθρώπου, να λύσουν καταστάσεις και προκλήσεις για τις οποίες δεν είχαν προγραμματιστεί προηγουμένως.

Ιστορικά, οι υπολογιστές δεν μπόρεσαν να κάνουν τίποτα άλλο από αυτό που είχαν προγραμματιστεί να κάνουν. αλλά η σταδιακή αύξηση της ισχύος στο υλικό επέτρεψε να τα προχωρήσει περισσότερο, συνοδευόμενη από τους αλγόριθμους του λογισμικό.

Πώς είναι μια μηχανή ικανή να μάθει;

Η μαθησιακή διαδικασία ενός συστήματος υπολογιστή πραγματοποιείται με βάση την ανάλυση μεγάλων ποσοτήτων δεδομένων.

Αυτό που κάνει το λογισμικό είναι, σε γενικές γραμμές, να δημιουργήσει προγνωστικά μοντέλα από την ανάλυση των δεδομένων, αν και δεν τροποποιεί τα δικά του

προγραμματισμός, κάτι για το οποίο τα μηχανήματα δεν είναι ακόμη έτοιμα.

Ωστόσο, με εννοιολογικό τρόπο, μπορούμε να θεωρήσουμε ότι το Κτίριο μοντέλων στα οποία πρέπει να δράσει, είναι ένα είδος τροποποίησης του βασικού προγραμματισμού του, αν και αυτό είναι στο επίπεδο του κώδικας η πηγή δεν είναι πραγματικά έτσι.

Η μηχανική μάθηση είναι ένας κλάδος της πειθαρχίας της τεχνητής νοημοσύνης.

Τελειώνοντας, ας δώσουμε μερικά παραδείγματα της χρήσης μηχανικής μάθησης, ξεκινώντας με ένα επενδυτικό σύστημα στο χρηματιστήριο.

Αυτό είναι ικανό αναλύει τις αυξήσεις και τις πτώσεις των τιμών των μετοχών, έτσι ώστε, χωρίς προηγουμένως να έχει προγραμματιστεί να προβλέψει ένα συγκεκριμένο σενάριο, μέσω της ανάλυσης ενός μεγάλου αριθμού παράγοντες (τιμές των μετοχών άλλων εταιρειών, εισερχόμενες και διακυμάνσεις της αγοράς, επενδύσεις από άλλους, ...), μπορείτε να υπολογίσετε πότε θα είναι πιο ευνοϊκό να αγοράζετε ή / και να πωλείτε ορισμένους τίτλους.

Και, αυτό που συνήθως είναι πιο σημαντικό σε αυτά τα συστήματα είναι ότι είναι σε θέση να αναλύσουν τη δική τους απόδοση και να «μάθουν» από τις επιτυχίες και τα λάθη τους, «βελτιώνοντας» την «απόδοσή τους» με την πάροδο του χρόνου.

Στην πραγματικότητα, δεν έχω επιλέξει αυτό το παράδειγμα γιατί, αλλά επειδή σήμερα οι περισσότερες δραστηριότητες στο χρηματιστήριο πραγματοποιούνται από προγράμματα αυτού του τύπου.

Μπορούμε να απολαύσουμε τα οφέλη της μηχανικής μάθησης σε μια υπηρεσία μουσικής συνεχούς ροής όπως το Spotify.

Είναι αλήθεια ότι όταν ακούμε ΜΟΥΣΙΚΗ Στο Spotify (ή, τελικά, σε άλλες διαδικτυακές υπηρεσίες αυτού του τύπου), το πρόγραμμα προτείνει άλλες ομάδες ή τραγούδια σύμφωνα με αυτό που ακούμε; Και δεν είναι λιγότερο αλήθεια ότι αυτές οι συστάσεις εξελίσσονται ως συνήθειες μας κατανάλωση μουσικής στην τουαλέτα;

Πώς το κάνουν τόσο το Spotify όσο και οι άλλες διαδικτυακές μουσικές υπηρεσίες; Απλό: με ένα σύστημα μηχανικής μάθησης που μαθαίνει τι μας αρέσει και αποφασίζει τι θα προτείνει βάσει αυτού.

Και όσο περισσότερη μουσική και όσο περισσότερο ακούμε, τόσο περισσότερο θα μαθαίνει το σύστημα των προτιμήσεών μας και, επομένως, τόσο καλύτερες πιθανότητες έχει να χτυπήσει τις συστάσεις του.

Φωτογραφίες Fotolia: Aleutie / Kit8

Θέματα στη Μηχανική Μάθηση