Ang mga computer ay hindi tumatagal ngunit sila ay nakakakuha ng mas matalinong araw-araw
Sa pinakasimpleng termino, ang pag-aaral ng machine (ML) ay ang programming ng mga makina (mga computer) upang maisagawa ang hiniling na gawain sa pamamagitan ng paggamit at pag-aaral ng data (impormasyon) upang maisagawa ang gawain nang nakapag-iisa, nang walang karagdagang tukoy na input mula sa isang developer ng tao.
Pag-aaral ng Machine 101
Ang salitang "pag-aaral ng makina" ay likha sa IBM labs noong 1959 ni Arthur Samuel, isang pioneer sa artificial intelligence (AI) at paglalaro ng computer. Ang pag-aaral ng machine, bilang isang resulta, ay isang sangay ng Artipisyal na Katalinuhan. Ang premyo ni Samuel ay upang i-flip ang modelo ng computing ng oras baligtad at ihinto ang pagbibigay ng mga bagay sa computer upang matuto.
Sa halip, gusto niya ang mga computer na magsimula ng pag-uunawa ng mga bagay sa kanilang sarili, nang hindi na kailangang ipasok ng mga tao kahit na ang pinakamaliit na piraso ng impormasyon. Pagkatapos, naisip niya, ang mga computer ay hindi lamang magsasagawa ng mga gawain ngunit sa huli ay maaaring magpasiya kung anong mga gawain ang gagawin at kailan. Bakit? Upang ang mga kompyuter ay mabawasan ang dami ng mga trabaho na kailangan ng mga tao upang maisagawa sa anumang naibigay na lugar.
Paano Gumagana ang Pag-aaral ng Machine
Gumagana ang pag-aaral ng machine sa pamamagitan ng paggamit ng mga algorithm at data. Ang isang algorithm ay isang hanay ng mga tagubilin o alituntunin na nagsasabi sa isang computer o programa kung paano magsagawa ng isang gawain. Ang mga algorithm na ginagamit sa ML ay nagtipon ng data, kinikilala ang mga pattern, at ginagamit ang pagtatasa ng data na iyon upang iakma ang sarili nitong mga programa at pag-andar upang makumpleto ang mga gawain.
Ang mga algorithm ng ML ay gumagamit ng mga hanay ng panuntunan, mga puno ng desisyon, mga graphical na modelo, pagpoproseso ng natural na wika, at mga neural network (upang pangalanan ang ilan) upang i-automate ang data sa pagpoproseso upang gumawa ng mga pagpapasya at magsagawa ng mga gawain. Habang ML ay maaaring maging isang komplikadong paksa, ang Google Teachable Machine ay nagbibigay ng isang pinasimple hands-on demonstration kung paano gumagana ang ML.
Ang pinaka-makapangyarihang anyo ng pag-aaral ng makina na ginagamit ngayon, na tinatawag na malalim na pag-aaral , ay nagtatayo ng komplikadong matematiko na istraktura na tinatawag na isang neural network, batay sa malawak na dami ng data. Ang mga neural network ay nagtatakda ng mga algorithm sa ML at AI na binubuo pagkatapos ng paraan ng mga cell nerve sa impormasyon ng proseso ng utak ng tao at nervous system.
Artipisyal na Katalinuhan kumpara sa Pag-aaral ng Machine kumpara sa Data Mining
Para sa pinakamahusay na maunawaan ang ugnayan sa pagitan ng AI, ML, at pagmimina ng data, makatutulong na isipin ang isang hanay ng iba't ibang mga payong. Ang AI ang pinakamalaking payong. Ang ML payong ay isang laki na mas maliit at naaangkop sa ilalim ng AI payong. Ang payong pagmimina ng data ay ang pinakamaliit at naaangkop sa ilalim ng payong ML.
- Ang AI ay isang sangay ng agham sa kompyuter na naglalayong mag-program ng mga computer na magsagawa ng mga gawain sa mas maraming "matalinong" at "makataong paraan" na mga paraan, gamit ang mga diskarte sa pangangatuwiran at paggawa ng desisyon na na-modelo pagkatapos ng katalinuhan ng tao.
- Ang ML ay isang kategorya ng computing sa loob ng AI na nakatuon sa mga machine ng programming (computer) upang matuto (magtipon ng kinakailangang data o mga halimbawa) upang gumawa ng data-driven, matalinong mga desisyon sa isang mas automated na paraan.
- Ang pagmimina ng data ay gumagamit ng mga istatistika, ML, AI, at napakalawak na database ng impormasyon upang makahanap ng mga pattern, magbigay ng mga pananaw, lumikha ng mga klasipikasyon, kilalanin ang mga problema, at maghatid ng detalyadong analytics ng data.
Ano ang Magagawa ng Pag-aaral ng Makina (at Nasa Ba)
Ang kapasidad para sa mga computer na pag-aralan ang napakaraming impormasyon sa mga fraction ng isang segundo ay gumagawa ng ML na kapaki-pakinabang sa maraming industriya kung saan ang oras at katumpakan ay mahalaga.
- Gamot: Ang teknolohiya ng ML ay ipinatupad sa isang hanay ng mga solusyon para sa medikal na larangan, kabilang ang pagtulong sa mga physician ng emergency department na may mas mabilis na diagnosis ng mga pasyente na may di-pangkaraniwang mga sintomas. Ang mga doktor ay maaaring mag-input ng isang listahan ng mga sintomas ng pasyente sa programa at paggamit ng ML, ang programa ay maaaring mag-scour trillions ng terabytes ng impormasyon mula sa medikal na panitikan at sa internet upang ibalik ang isang listahan ng mga potensyal na diagnosis at inirerekumendang pagsusuri o paggamot sa talaan ng oras.
- Edukasyon: Ang ML ay ginagamit upang lumikha ng mga tool pang-edukasyon na iangkop ang kanilang mga sarili sa mga pangangailangan sa pag-aaral ng mag-aaral, tulad ng mga virtual na katulong sa pag-aaral at mga electronic na aklat na mas interactive. Ang mga tool na ito ay gumagamit ng ML upang matuklasan kung aling mga konsepto at kasanayan ang naiintindihan ng mag-aaral gamit ang mga maikling pagsusulit at pagsasanay na pagsasanay. Pagkatapos ay nagbibigay ang mga tool ng mga maikling video, karagdagang mga halimbawa, at materyal sa background upang matulungan ang mag-aaral na matutunan ang mga kinakailangang kasanayan o konsepto.
- Sasakyan: Ang ML ay isa ring pangunahing sangkap sa umuusbong larangan ng mga nagmamaneho sa sarili na mga kotse (tinatawag din na mga drayber na hindi gaanong sasakyan o autonomous na mga kotse). Ang software na nagpapatakbo ng mga self-driving na sasakyan ay gumagamit ng ML sa panahon ng parehong mga pagsubok sa kalsada at real simulation sa kalsada upang tuklasin ang mga kondisyon ng kalsada (tulad ng mga kalsada sa icy) o tukuyin ang mga hadlang sa daanan at matutunan ang angkop na mga gawain sa pagmamaneho upang ligtas na mag-navigate sa gayong mga sitwasyon.
Malamang na nakaranas ka ng ML maraming beses nang hindi napagtatanto ito. Ang ilan sa mga mas karaniwang paggamit ng teknolohiya ng ML ay kinabibilangan ng praktikal na pagkilala sa pagsasalita ( Bixby ng Samsung , Siri ng Apple , at maraming mga programa ng talk-to-text na ngayon ay karaniwang sa PC), pag-filter ng spam para sa iyong email, pagtatayo ng mga feed ng balita, pagtuklas ng pandaraya, pag-personalize mga rekomendasyon sa pamimili, at pagbibigay ng mas epektibong mga resulta sa paghahanap sa web.
Ang ML ay kahit na kasangkot sa iyong Facebook feed. Kapag gusto mo o mag-click sa mga post ng isang kaibigan ng madalas, ang mga algorithm at ML sa likod ng mga eksena "matuto" mula sa iyong mga aksyon sa paglipas ng panahon upang unahin ang ilang mga kaibigan o mga pahina sa iyong Newsfeed.
Ano ang Pag-aaral ng Machine Hindi ba Gawin
Gayunpaman, may mga limitasyon sa maaaring gawin ng ML. Halimbawa, ang paggamit ng teknolohiya sa ML sa iba't ibang mga industriya ay nangangailangan ng isang malaking halaga ng pag-unlad at programming ng mga tao upang magpakadalubhasa ng isang programa o sistema para sa mga uri ng mga gawain na kinakailangan ng industriya na iyon. Halimbawa, sa aming medikal na halimbawa sa itaas, ang programang ML na ginamit sa emergency department ay partikular na binuo para sa gamot ng tao. Hindi posible ngayon na gawin ang eksaktong programa at direktang ipatupad ito sa isang beterinaryo na emergency center. Ang ganitong paglipat ay nangangailangan ng malawak na pagdadalubhasa at pag-unlad ng mga programmer ng tao upang lumikha ng isang bersyon na may kakayahang gawin ang gawaing ito para sa beterinaryo o gamot sa hayop.
Kinakailangan din nito ang sobrang dami ng data at mga halimbawa upang "matutunan" ang impormasyong kailangan nito upang gumawa ng mga pagpapasya at magsagawa ng mga gawain. Ang mga programang ML ay napaka literal sa interpretasyon ng data at nakikipagpunyagi sa simbolismo at mga ilang uri ng relasyon sa loob ng mga resulta ng data, tulad ng sanhi at epekto.
Gayunman, ang mga patuloy na pagsulong ay gumagawa ng ML ng isang pangunahing teknolohiya na lumilikha ng mas matalinong mga computer araw-araw.