Kompyuta hazichukua lakini zimekuwa zenye kila siku
Kwa maneno rahisi, kujifunza mashine (ML) ni programu ya mashine (kompyuta) ili iweze kufanya kazi iliyoombwa kwa kutumia na kuchambua data (taarifa) ili kufanya kazi hiyo kwa kujitegemea, bila pembejeo maalum ya ziada kutoka kwa mtengenezaji wa mwanadamu.
Kujifunza Machine 101
Neno "kujifunza mashine" lilianzishwa katika maabara ya IBM mwaka wa 1959 na Arthur Samuel, mpainia katika akili ya bandia (AI) na michezo ya kubahatisha kompyuta. Mafunzo ya mashine, kama matokeo, ni tawi la akili ya akili. Nguzo ya Samweli ilikuwa kufuta mfano wa kompyuta wa muda wa chini na kuacha kutoa kompyuta mambo ya kujifunza.
Badala yake, alitaka kompyuta kuanza kuamua mambo peke yao, bila ya kuwa wanadamu waweze kuingiza kipande cha habari chache zaidi. Kisha, alidhani, kompyuta hazifanyi kazi tu lakini inaweza hatimaye kuamua ni kazi gani za kufanya na wakati. Kwa nini? Kwa hiyo kompyuta zinaweza kupunguza kiasi cha kazi ambazo wanadamu wanahitajika kufanya katika eneo lolote.
Jinsi Machine Kujifunza Kazi
Mafunzo ya mashine hufanya kazi kwa njia ya matumizi ya algorithms na data. A algorithm ni seti ya maagizo au miongozo inayoelezea kompyuta au programu jinsi ya kufanya kazi. Hifadhi ya kutumika katika ML kukusanya data, kutambua chati, na kutumia uchambuzi wa data hiyo ili kukabiliana na mipango na kazi zake ili kukamilisha kazi.
ML algorithms hutumia seti za utawala, miti ya uamuzi, mifano ya michoro, usindikaji wa lugha ya asili, na mitandao ya neural (kwa jina la wachache) ili automatiska data ya usindikaji ili kufanya maamuzi na kufanya kazi. Wakati ML inaweza kuwa mada ngumu, Machine ya kufundishwa ya Google hutoa maonyesho rahisi ya maonyesho ya jinsi ML inavyofanya kazi.
Fomu yenye nguvu zaidi ya kujifunza mashine inatumiwa leo, inayoitwa kujifunza kwa kina , hujenga muundo wa hisabati tata unaoitwa mtandao wa neural, kulingana na kiasi kikubwa cha data. Mitandao ya Neural ni seti ya algorithms katika ML na AI iliyoelekezwa baada ya seli za ujasiri katika ubongo wa binadamu na habari ya mchakato wa neva.
Intelligence ya Ufundi dhidi ya Mafunzo ya Machine vs Uchimbaji wa Takwimu
Ili kuelewa vizuri uhusiano kati ya AI, ML, na madini ya madini, ni muhimu kufikiria seti ya miavuli tofauti. AI ni mwavuli mkubwa. Mvuli wa ML ni ukubwa mdogo na inafaa chini ya mwavuli wa AI. Mvuli wa madini ya madini ni mdogo na inafaa chini ya mwavuli wa ML.
- AI ni tawi la sayansi ya kompyuta ambalo linalenga programu za kompyuta kufanya kazi kwa njia zaidi za "akili" na "njia za kibinadamu", kwa kutumia mbinu za kufikiri na maamuzi zilizoelekezwa baada ya akili za binadamu.
- ML ni kikundi cha kompyuta ndani ya AI ililenga mashine za programu (kompyuta) kujifunza (kukusanya data muhimu au mifano) ili kufanya data inayotokana na data, maamuzi ya akili kwa njia zaidi ya automatiska.
- Uchimbaji wa data hutumia takwimu, ML, AI, na databases kubwa ya habari ili kupata mifumo, kutoa ufahamu, kuunda maadili, kutambua matatizo, na kutoa uchambuzi wa kina wa data.
Je, Machine Kujifunza Inaweza Kufanya (na Tayari Ina)
Uwezo wa kompyuta kuchambua kiasi kikubwa cha habari katika sehemu ndogo ya pili hufanya ML kuwa muhimu katika viwanda kadhaa ambapo wakati na usahihi ni muhimu.
- Dawa: teknolojia ya ML inatekelezwa katika ufumbuzi mbalimbali kwa uwanja wa matibabu, ikiwa ni pamoja na kusaidia madaktari wa idara ya dharura kwa uchunguzi wa wagonjwa wenye dalili za kawaida. Waganga wanaweza kuingiza orodha ya dalili za mgonjwa kwenye programu na kutumia ML, programu inaweza kupiga trillions ya habari kutoka kwa fasihi za matibabu na internet ili kurudi orodha ya upimaji wa kutosha na kupima kupima au matibabu wakati wa rekodi.
- Elimu: ML hutumiwa kuunda zana za elimu ambazo zinajitahidi mahitaji ya mwanafunzi, kama vile wasaidizi wa kujifunza virtual na vitabu vya elektroniki vinavyoingiliana zaidi. Zana hizi hutumikia ML ili kugundua dhana na ujuzi ambayo mwanafunzi anaelewa kutumia mazoezi mafupi na mazoezi ya mazoezi. Vifaa hivyo hutoa video fupi, mifano ya ziada, na nyenzo za nyuma ili kumsaidia mwanafunzi kujifunza stadi zinazohitajika au dhana.
- Magari: ML pia ni sehemu muhimu katika uwanja unaojitokeza wa magari yenye kuendesha gari (pia huitwa magari ya chini ya gari au magari ya uhuru). Programu ambayo inafanya magari ya kujitegemea hutumia ML wakati wa vipimo vya barabara halisi ya maisha na simuleringar ili kuchunguza hali za barabara (kama vile barabara za wazi) au kutambua vikwazo katika barabara na kujifunza kazi zinazofaa za kuendesha gari ili uendelee safari kwa hali hiyo.
Umekuwa tayari umekutana na ML mara nyingi bila kutambua. Matumizi mengine ya kawaida ya teknolojia ya ML ni pamoja na utambuzi wa mazungumzo ya vitendo ( Samsung ya Bixby , Siri ya Apple, na mipango mingi ya majadiliano na maandishi ambayo sasa ni ya kawaida kwenye PC), kupiga spam kwa barua pepe yako, kujenga habari za habari, kutambua udanganyifu, utunzaji mapendekezo ya ununuzi, na kutoa matokeo bora zaidi ya utafutaji wa wavuti.
ML ni hata kuhusishwa katika kulisha yako Facebook . Unapopenda au bonyeza marafiki ya mara kwa mara, maadili na ML nyuma ya matukio "kujifunza" kutoka kwa vitendo vyako kwa muda ili kuwaweka kipaumbele marafiki au kurasa fulani kwenye Habari yako.
Nini Machine Kujifunza Inaweza & # 39; t Je
Hata hivyo, kuna mipaka ya kile ML kinaweza kufanya. Kwa mfano, matumizi ya teknolojia ya ML katika viwanda tofauti inahitaji kiasi kikubwa cha maendeleo na programu za binadamu ili utaalam mfumo au mfumo wa aina za kazi zinazohitajika na sekta hiyo. Kwa mfano, katika mfano wetu wa matibabu hapo juu, mpango wa ML uliotumiwa katika idara ya dharura ulitengenezwa mahsusi kwa ajili ya dawa za binadamu. Kwa sasa haiwezekani kuchukua programu halisi na kuiweka moja kwa moja katika kituo cha dharura cha mifugo. Mpango huo unahitaji ujuzi wa kina na maendeleo na programu za wanadamu kuunda toleo linaloweza kufanya kazi hii kwa dawa ya mifugo au wanyama.
Pia inahitaji kiasi kikubwa cha data na mifano ya "kujifunza" maelezo ambayo inahitaji kufanya maamuzi na kufanya kazi. ML mipango pia ni halisi katika tafsiri ya data na kupambana na ishara na pia aina fulani ya mahusiano ndani ya matokeo ya data, kama sababu na athari.
Maendeleo yaliyoendelea, hata hivyo, yanafanya ML zaidi ya teknolojia ya msingi kujenga kompyuta nzuri kila siku.