- Регистрация
- 29.04.20
- Сообщения
- 231
- Онлайн
- 8д 16ч 49м
- Сделки
- 1
- Нарушения
- 0 / 0
Машинное обучение - это набор процессов, который позволяет оптимизировать деятельность в конкретной системе. Машинное обучение также является областью науки, которая занимается проблемами искусственного интеллекта. Эта наука в основном включает информатику и элементы статистики. Основная предпосылка машинного обучения - применение результатов, полученных в ходе работы ИИ, для создания автоматических систем, которые улучшают себя.
Почему машинное обучение так популярно? Потому что благодаря использованию простых алгоритмов мы легко можем снизить потребление ресурсов.
Машинное обучение в системах распознавания изображений
Распознавание изображения и чтение его элементов по определенным критериям - очень продвинутый метод сравнения входных данных. Почему это так сложно? Попробуем прочитать ранее незнакомое слово с китайского. Через несколько минут мы либо разочаровываемся, либо ищем в интернете его значение. Однако мы можем не сразу распознать это слово. Если оно состоит из двух других слов, мы начинаем всю процедуру с разделения слова на его составляющие.
Предположим, что мы видели слово, прочитанное как «нан» (человек). Однако слово состоит из двух других слов; от слова «тянь» - поле и «ли» - сила. Таким образом, только зная два компонента, мы можем узнать значение всей фразы.
Мы подсознательно разделяем изображение на характерные части и фиксированные точки, которые мы видим. Это очень похоже на компьютерное распознавание изображений. Если мы распознаем текст, мы анализируем его с помощью графического движка - сначала края изображения, затем его фиксированные точки и форму.
Однако существует более одного шрифта. Мы можем писать курсивом, подчеркиванием или жирным шрифтом, но несколько фиксированных точек отсчета останутся - и это то, на чем нам нужно сосредоточиться. Благодаря машинному обучению мы определяем эти фиксированные точки на основе предыдущего анализа и со временем повышаем точность показаний.
Машинное обучение в интернет-маркетинге
Давно известно, что интернет-маркетинг - одна из самых эффективных форм рекламы.
В контексте нашей сегодняшней темы не имеет значения, что мы рекламируем. Машинное обучение помогает снизить маркетинговые расходы. Как? Представьте, что вы продаете мебель. У нас есть свой сайт и интернет-магазин, но, несмотря на сотни посещений обоих сайтов, мы не продали ни одного продукта.
Мы начинаем задаваться вопросом, что мы делаем не так. Мы исследуем рынок и приходим к выводу, что соотношение цена-качество правильное, и аналогичные товары других компаний приносят огромную прибыль. Со временем мы начинаем инвестировать в интернет-маркетинг. Здесь машинное обучение будет играть важную роль - мы проводим несколько рекламных кампаний, но важно то, что каждая из них немного отличается. Во время кампании алгоритмы машинного обучения проверяют, кто (какие пользователи) нажимает на рекламу, кто заходит на сайт, кто совершает покупки. Через несколько недель у нас уже есть некоторая информация, которую можно использовать в стратегических целях.
Кухонный гарнитур из ясеня набирает популярность среди мужчин 40-55 лет. Гардероб Сильвии для детской комнаты пользуется наибольшим признанием у женщин в возрасте 25-35 лет. Полка для ванной Oxford пользуется наибольшей популярностью у людей 32-40 лет. Обсидиановый стол с ручками набирает популярность у мальчиков 12-16 лет.
Эти данные явно очень упрощены и примерны, но машинному обучению достаточно, чтобы сделать какие-то выводы. Рекламна Oxford Desk будет ориентирована на мальчиков в возрасте от 12 до 16 лет. Как это увеличит нашу прибыль? Все просто - ваша реклама будет ориентирована на людей, которые, скорее всего, купят товар. Мы выделим бесплатные маркетинговые ресурсы для других кампаний. Таким образом, машинное обучение при тех же затратах на маркетинг увеличит продажи и посещения веб-сайтов на несколько десятков процентов. Мы можем найти множество приложений - арбитраж, вариативный анализ, автоматизированные рыночные стратегии
Город без пробок и ожидания зеленого света
Системы навигации Google постоянно отслеживают трафик и помогают нам быстрее добраться до пункта назначения. Однако мало кто знает, что в некоторых городах подобные алгоритмы реализуются на своих дорогах. Как они работают? Вся функциональность заключается в том, чтобы проверить, где, когда и сколько машин проезжают. Давайте на примере.
Машинное обучение анализирует измерения проезжающих автомобилей. В том случае, если между 12:00 и 12:15 на определенном перекрестке в несколько циклов:
после включения зеленого света №1 проезжает 100 машин;
после включения зеленого света №2 проезжает 5 машин;
после включения зеленого света №3 проезжает 20 машин;
после включения зеленого света №4 проезжает 40 машин.
Проанализировав данные, мы решаем, какие огни должны обеспечивать максимальную продолжительность пробега. Благодаря простому анализу мы можем исключить ситуации, когда до светофора №1 длинная пробка, а перед светофором №3 никого нет. Мы предполагаем, что огни №1 и №2 противоположны. Теперь система настроит алгоритм следующим образом:
огни №1 и №2 - 4 цикла по 3 минуты;
горит №2 - 3 цикла по одной минуте.
Как видим, эти простые расчеты позволяют избежать пробок. Система фиксирует каждое изменение объема трафика и вносит исправления.
Подводя итог, системы машинного обучения все чаще внедряются в нашу среду, конечно, мы можем найти применение машинному обучению даже в медицине и финансах.
Чтобы пользоваться преимуществами машинного обучения, вам не нужны формальные знания. Абстракция и сложность учения будут только увеличиваться. Какие проблемы и возможности принесет искусственный интеллект? Что-то подсказывает, что мы узнаем раньше, чем думаем.
Почему машинное обучение так популярно? Потому что благодаря использованию простых алгоритмов мы легко можем снизить потребление ресурсов.
Машинное обучение в системах распознавания изображений
Распознавание изображения и чтение его элементов по определенным критериям - очень продвинутый метод сравнения входных данных. Почему это так сложно? Попробуем прочитать ранее незнакомое слово с китайского. Через несколько минут мы либо разочаровываемся, либо ищем в интернете его значение. Однако мы можем не сразу распознать это слово. Если оно состоит из двух других слов, мы начинаем всю процедуру с разделения слова на его составляющие.
Предположим, что мы видели слово, прочитанное как «нан» (человек). Однако слово состоит из двух других слов; от слова «тянь» - поле и «ли» - сила. Таким образом, только зная два компонента, мы можем узнать значение всей фразы.
Мы подсознательно разделяем изображение на характерные части и фиксированные точки, которые мы видим. Это очень похоже на компьютерное распознавание изображений. Если мы распознаем текст, мы анализируем его с помощью графического движка - сначала края изображения, затем его фиксированные точки и форму.
Однако существует более одного шрифта. Мы можем писать курсивом, подчеркиванием или жирным шрифтом, но несколько фиксированных точек отсчета останутся - и это то, на чем нам нужно сосредоточиться. Благодаря машинному обучению мы определяем эти фиксированные точки на основе предыдущего анализа и со временем повышаем точность показаний.
Машинное обучение в интернет-маркетинге
Давно известно, что интернет-маркетинг - одна из самых эффективных форм рекламы.
В контексте нашей сегодняшней темы не имеет значения, что мы рекламируем. Машинное обучение помогает снизить маркетинговые расходы. Как? Представьте, что вы продаете мебель. У нас есть свой сайт и интернет-магазин, но, несмотря на сотни посещений обоих сайтов, мы не продали ни одного продукта.
Мы начинаем задаваться вопросом, что мы делаем не так. Мы исследуем рынок и приходим к выводу, что соотношение цена-качество правильное, и аналогичные товары других компаний приносят огромную прибыль. Со временем мы начинаем инвестировать в интернет-маркетинг. Здесь машинное обучение будет играть важную роль - мы проводим несколько рекламных кампаний, но важно то, что каждая из них немного отличается. Во время кампании алгоритмы машинного обучения проверяют, кто (какие пользователи) нажимает на рекламу, кто заходит на сайт, кто совершает покупки. Через несколько недель у нас уже есть некоторая информация, которую можно использовать в стратегических целях.
Кухонный гарнитур из ясеня набирает популярность среди мужчин 40-55 лет. Гардероб Сильвии для детской комнаты пользуется наибольшим признанием у женщин в возрасте 25-35 лет. Полка для ванной Oxford пользуется наибольшей популярностью у людей 32-40 лет. Обсидиановый стол с ручками набирает популярность у мальчиков 12-16 лет.
Эти данные явно очень упрощены и примерны, но машинному обучению достаточно, чтобы сделать какие-то выводы. Рекламна Oxford Desk будет ориентирована на мальчиков в возрасте от 12 до 16 лет. Как это увеличит нашу прибыль? Все просто - ваша реклама будет ориентирована на людей, которые, скорее всего, купят товар. Мы выделим бесплатные маркетинговые ресурсы для других кампаний. Таким образом, машинное обучение при тех же затратах на маркетинг увеличит продажи и посещения веб-сайтов на несколько десятков процентов. Мы можем найти множество приложений - арбитраж, вариативный анализ, автоматизированные рыночные стратегии
Город без пробок и ожидания зеленого света
Системы навигации Google постоянно отслеживают трафик и помогают нам быстрее добраться до пункта назначения. Однако мало кто знает, что в некоторых городах подобные алгоритмы реализуются на своих дорогах. Как они работают? Вся функциональность заключается в том, чтобы проверить, где, когда и сколько машин проезжают. Давайте на примере.
Машинное обучение анализирует измерения проезжающих автомобилей. В том случае, если между 12:00 и 12:15 на определенном перекрестке в несколько циклов:
после включения зеленого света №1 проезжает 100 машин;
после включения зеленого света №2 проезжает 5 машин;
после включения зеленого света №3 проезжает 20 машин;
после включения зеленого света №4 проезжает 40 машин.
Проанализировав данные, мы решаем, какие огни должны обеспечивать максимальную продолжительность пробега. Благодаря простому анализу мы можем исключить ситуации, когда до светофора №1 длинная пробка, а перед светофором №3 никого нет. Мы предполагаем, что огни №1 и №2 противоположны. Теперь система настроит алгоритм следующим образом:
огни №1 и №2 - 4 цикла по 3 минуты;
горит №2 - 3 цикла по одной минуте.
Как видим, эти простые расчеты позволяют избежать пробок. Система фиксирует каждое изменение объема трафика и вносит исправления.
Подводя итог, системы машинного обучения все чаще внедряются в нашу среду, конечно, мы можем найти применение машинному обучению даже в медицине и финансах.
Чтобы пользоваться преимуществами машинного обучения, вам не нужны формальные знания. Абстракция и сложность учения будут только увеличиваться. Какие проблемы и возможности принесет искусственный интеллект? Что-то подсказывает, что мы узнаем раньше, чем думаем.
