Introduktion til maskinlæring

Machine learning (ML) er en kunst at udvikle algoritmer uden eksplicit programmering. I de sidste to årtier er der blevet genereret exabyte af data, og de fleste industrier er fuldt digitaliseret. Disse eksisterende data bruges af Machine learning (ML) algoritmer til at udvikle forudsigelige modeller og automatisere flere tidskrævende opgaver.

Lad os se, hvordan ML-algoritmer adskiller sig fra programmerede logikbaserede algoritmer:

For en logisk baseret algoritme er flow defineret og kendt på forhånd, men der er flere virkelige livsscenarier (såsom billedklassificering), hvor logik ikke kan defineres. I sådanne tilfælde har maskinlæring vist sig at være yderst nyttigt. Maskinindlæringsteknikker tager inputparametre og forventede referenceoutputdata og genererer logik, som derefter implementeres i produktionen.

Hovedkomponenter i introduktion til maskinlæring:

Maskinindlæring er opdelt i følgende kategorier:

1. Overvåget maskinlæring

Overvåget ML-algoritme tager inputdata (funktioner) sammen med outputmærkede data ved input. De bruges mest til klassificerings- og regressionsopgaver.

Klassifikation:

  • Beslutning om låneberettigelse: Automatiser lånegodkendelsesprocessen ved hjælp af tidligere data med parametre som alder, indkomst, uddannelse, by osv. Til at beslutte, om ansøgerens lån kan godkendes.

Regression:

  • Forudsigelse af huspriser : Forudsig huspris ved hjælp af funktioner som husstørrelse, husets alder, antal værelser, lokalitet osv.

2. Uovervåget maskinlæring

Ikke-overvåget ML-teknikker kræver ingen mærkede data og bruges til at klynge data ind i forskellige segmenter baseret på inputfunktioner.

Eksempel: For at adskille en gruppe på 100 personer i 5 klynger kan inputfunktioner omfatte interesser, hobbyer, sociale forbindelser osv.

Anvendelser af maskinlæring

I det sidste årti har introduktion til maskinlæring forvandlet flere industrier, herunder sundhedsydelser, sociale medier, digital marketing, fast ejendom, logistik, forsyningskæde og fremstilling. Tidlige bevægelser i disse brancher har allerede høstet betydelig fortjeneste. Der er et stigende behov for en dygtig arbejdsstyrke med maskinlæring sammen med domæneviden.

Følgende er et par anvendelser, hvor ML-teknikker har spillet en betydelig rolle:

  • Spam-postklassificering:

For at klassificere e-mail som spam / ikke spam ved hjælp af mærkede svar med brug af data som meddelelsesindhold, brug af ordforråd, der bruges i salgsfremmende e-mails, afsender-e-mail-adresse, afsender-IP, brug af hyperlinks, antal punkteringer osv.

  • Kræftregistrering:

ML bliver i stigende grad brugt i sundhedsvæsenet til diagnose og endda til kræftdetektion ved hjælp af medicinske data til tidligere patienter. Til brystkræftdetektion tager træningsalgoritmen input såsom tumorstørrelse, radius, krumning og perimeter som input. Ved output får vi sandsynligheden for, at tumoren er ondartet eller ikke.

  • Salgsprognose :

Et stigende antal leverandører digitaliserer deres poster, mange af dem er begyndt at bruge maskinlæringsværktøjer til at forudsige salget af den bestemte vare i en given uge, så de kan lagre en tilstrækkelig lagerbeholdning. Introduktion til maskinlæringsteknikker ville tage input fra foregående års salg af forskellige varer og finde mønstre for sæsonvariationer og give specifikke forudsigelser for salg af visse varer. Vi kan også identificere lavpresterende varer med hensyn til salg.

  • Ansigtsgenkendelse:

Du har sandsynligvis observeret, når du uploadede billeder på Facebook, at det mærker din vens ansigter til deres navne. I backend-maskinen udfører / dyb læringsalgoritmer dette job. Den samme grundlæggende introduktion til maskinlæringsprincipper bruges også til ansigtsgenkendelse, hvor input-ansigtsbilleder indføres og neurale netværk trænes i at klassificere disse billeder.

  • Tekstklassificering:

Når stigende befolkning kommer online, er det blevet obligatorisk for hjemmeside / sociale mediefirmaer som Twitter, Facebook og Quora at implementere tekstklassificeringsbaserede systemer. Twitter / Quora bruger dette til at identificere had-kommentarer / -indlæg. Nogle nyhedsfirmaer bruger også tekstklassificeringsalgoritmer til at gruppere nyhedsartikler, der er ens.

  • Audio / stemmetolkning:

Nogensinde spekulerer på, hvordan enheder som Alexa, Siri, Google bliver intelligente dag for dag med at forstå lyddata på forskellige sprog med forskellige accenter. En enorm mængde data trænes i disse enheder til introduktion til maskinlæringsteknikker, hvilket gør det muligt.

  • Svigdetekteringssystemer:

ML-baserede svigdetekteringssystemer er implementeret af flere e-handelsfirmaer for at identificere kunder, der opretter falske ordrer og også eliminere leverandører, der sælger forfalskede produkter på platformen. Bankvirksomheder og andre opstart af finansteknologi stoler enormt på ML-teknikker til at opdage svindeltransaktioner

  • Anbefalingsmotorer

Netflix bruger uovervåget ML til at anbefale film, mens Amazon bruger det til at anbefale produkter at købe.

Fordele

  • Automatiser tidskrævende opgaver:

ML-baserede applikationer har automatiseret flere opgaver såsom beslutningstagning på lavt niveau, indtastning af data, telefonopkald, lånegodkendelsesprocesser.

  • Omkostningsbesparelse:

Når algoritmen er udviklet og sat den i produktion, kan den medføre betydelig omkostningsbesparelse, da menneskelig arbejdskraft og beslutningstagning er minimal.

  • Behandlingstid:

For meget anvendelse er total tid af største vigtighed. ML har været i stand til at reducere tiden inden for domæner som f.eks. Bilforsikringskrav, hvor brugeren uploader billeder og forsikringsbeløbet bliver beregnet. Det har også hjulpet e-handelsvirksomheder i håndteringen af ​​returnering af solgt lager.

  • Datadrevet beslutningstagning:

Ikke kun virksomheder, men mange regeringer er afhængige af ML for at tage beslutningstagning ved at beslutte, hvilke projekter de skal investere i, og hvordan de optimale ressourcer kan udnyttes optimalt.

Ulemper

  • ML-algoritmer kan være partiske:

Mange gange er inputdata til ML-algoritmen partisk over for et specifikt køn, race, land, kaste osv. Dette resulterer i, at ML-algoritmer formerer uønsket bias i beslutningsprocessen. Dette er blevet observeret i nogle applikationer, der implementerede ML-lignende optagelsesprocesser for skole / college og henstillinger på sociale medier.

  • Kræv store data for at opnå acceptabel nøjagtighed:

Mens folk nemt kan lære til små datasæt, kræver introduktion til maskinlæring enorme mængder data for nogle applikationer for at opnå tilstrækkelig nøjagtighed.

  • Manipulere brugerbeslutning:

For nylig benyttede et analytikfirma Cambridge Analytica ML-algoritmer på sociale medier til at målrette og påvirke vælgerens beslutning.

  • I øjeblikket kan introduktion til maskinlæringsalgoritmen være velegnet til fremtiden:

ML-teknik, der er trænet på det aktuelle datasæt, er muligvis ikke godt egnet i fremtiden, da inputfordeling kan ændre sig markant over tid. Et af modforanstaltningerne for at overvinde dette er at træne model med jævne mellemrum.

Anbefalede artikler

Dette har været en guide til Introduktion til maskinlæring. Her har vi drøftet maskinlæring med de grundlæggende punkter og karakteristika ved introduktion til maskinlæring. Du kan også se på følgende artikler:

  1. Maskinindlæringsteknikker
  2. Machine Learning vs Neural Network
  3. Karrierer inden for maskinlæring
  4. Forskellen mellem Big Data Vs Machine Learning
  5. Hyperparameter-maskinlæring

Kategori:

Excel-tip