Как человек, который часто объясняет машинное обучение неспециалистам, я собрал следующие десять пунктов, которые могут быть использованы для объяснения машинного обучения.
Машинное обучение не похоже на шумиху: вы можете решить бесчисленные проблемы, предоставив соответствующие данные о обучении соответствующему алгоритму обучения. Назовите его ИИ, если это поможет продать вашу систему ИИ. Но знайте, что ИИ - это просто модное слово, которое только представляет ожидания людей к нему.
Есть много интересных моментов в развитии алгоритмов машинного обучения, особенно в области глубокого обучения. Но данные являются ключевым фактором, который делает возможное машинное обучение.
Машинное обучение обучает модели в соответствии с моделями в данных, исследуя пространство возможных моделей, определенное параметрами. Если пространство параметров слишком большое, то оно будет слишком приспособлено к обучающим данным и обучает модель, которая не может обобщить себя. Если вы хотите объяснить это в деталях, вам нужно провести больше математических вычислений, и вы должны использовать это как правило, чтобы сделать вашу модель как можно проще.
Поговорка гласит, что если вы вводите кучу мусора в компьютер, то выводите кучу мусора. Хотя эта фраза появилась раньше машинного обучения, это именно ключевое ограничение существования машинного обучения.
oi Как предупреждает инструкция фонда, прошлые результаты не гарантируют будущих результатов. Машинное обучение также должно дать аналогичное предупреждение: оно может работать только на основе данных, распределенных в том же диапазоне, что и данные обучения. Следовательно, необходимо следить за отклонениями между данными обучения и данными производства и регулярно повторять модель обучения, чтобы гарантировать, что она не устареет.
В условиях массовой пропаганды технологий машинного обучения вы можете подумать, что машинное обучение в основном занимается выбором и настройкой алгоритмов. Но реальность не удивительная: большая часть вашего времени и энергии будет потрачена на очистку данных и проектирование характеристик - преобразование первоначальных характеристик в характеристики, которые лучше представляют сигналы данных.
Поскольку машинное обучение используется и развивается во многих областях, глубокое обучение также популярно. Кроме того, глубокое обучение способствует автоматизации некоторых работ, которые традиционно выполняются с помощью инженерных функций, особенно для изображений и видеоданных.
Извинения NRA, что алгоритмы машинного обучения не убивают, а люди убивают. Когда система машинного обучения выходит из строя, это редко бывает из-за проблем с алгоритмами машинного обучения. Более вероятно, что в обучающие данные были введены человеческие ошибки, которые привели к отклонениям или другим системным ошибкам.
Во многих приложениях машинного обучения решения, которые вы принимаете сегодня, влияют на тренировочные данные, которые будут собраны завтра. Как только система машинного обучения интегрирует отклонения в свою модель, она может продолжать генерировать новые тренировочные данные с усиленными отклонениями.
Слишком много людей, кажется, получили концепцию искусственного интеллекта из фильмов научной фантастики. Мы должны быть вдохновлены научной фантастикой, но мы не можем быть настолько глупыми, чтобы ошибочно считать, что это реальность. От сознательных злых людей до бессознательных отклонений машинного обучения, существует слишком много реальности и опасностей, чтобы беспокоиться.
Машинное обучение имеет гораздо большее значение, чем те 10 пунктов, которые я упомянул выше.
Ссылка с сайта "Глобальная система искусственного интеллекта"