Introduzione all'apprendimento automatico
L'apprendimento automatico (ML) è un'arte di sviluppo di algoritmi senza programmazione esplicita. Negli ultimi due decenni, sono stati generati exabyte di dati e la maggior parte dei settori è stata completamente digitalizzata. Questi dati esistenti vengono utilizzati dagli algoritmi di Machine learning (ML) per sviluppare modelli predittivi e automatizzare diverse attività che richiedono tempo.
Vediamo in che modo gli algoritmi ML differiscono dagli algoritmi programmati basati sulla logica:
Per un algoritmo basato sulla logica, il flusso è ben definito e noto in anticipo, tuttavia esistono diversi scenari di vita reale (come la classificazione delle immagini) in cui la logica non può essere definita. In tali casi, l'apprendimento automatico si è dimostrato estremamente utile. Le tecniche di apprendimento automatico prendono parametri di input e dati di output di riferimento previsti e generano la logica che viene quindi implementata nella produzione.
Componenti principali di introduzione all'apprendimento automatico:
L'apprendimento automatico è suddiviso nelle seguenti categorie:
1. Apprendimento automatico supervisionato
L'algoritmo ML supervisionato accetta i dati di input (caratteristiche) insieme ai dati di output con etichetta all'ingresso. Sono principalmente utilizzati per compiti di classificazione e regressione.
Classificazione:
- Decisione di ammissibilità del prestito : automatizzare il processo di approvazione del prestito utilizzando dati passati con parametri come età, reddito, istruzione, città, ecc. Per decidere se il prestito del richiedente può essere approvato.
Regressione:
- Previsione del prezzo della casa : prevedere il prezzo della casa utilizzando funzionalità come la dimensione della casa, l'età della casa, il numero di camere, la località, ecc.
2. Apprendimento automatico senza supervisione
Le tecniche ML non supervisionate non richiedono dati etichettati e vengono utilizzate per raggruppare i dati in diversi segmenti in base alle funzionalità di input.
Esempio: per separare un gruppo di 100 persone in 5 cluster, le funzioni di input possono includere interessi, hobby, connessioni sociali, ecc.
Applicazioni dell'apprendimento automatico
Nell'ultimo decennio, l'introduzione all'apprendimento automatico ha trasformato diversi settori, tra cui sanità, social media, marketing digitale, immobiliare, logistica, catena di approvvigionamento e produzione. I primi motori in questi settori hanno già ottenuto profitti significativi. Vi è una crescente domanda di forza lavoro qualificata con apprendimento automatico e conoscenza del dominio.
Di seguito sono riportate alcune applicazioni in cui le tecniche ML hanno svolto un ruolo significativo:
-
Classificazione posta spam:
Per classificare la posta come spam / non spam utilizzando le risposte etichettate con l'utilizzo di dati come il contenuto del messaggio, l'uso del vocabolario utilizzato nelle e-mail promozionali, l'indirizzo e-mail del mittente, l'IP del mittente, l'uso di collegamenti ipertestuali, punteggiatura numerica, ecc.
-
Rilevazione del cancro:
La ML viene sempre più utilizzata in ambito sanitario per la diagnosi e persino per l'individuazione del cancro utilizzando dati medici per pazienti precedenti. Per il rilevamento del carcinoma mammario, l'algoritmo di allenamento accetta input come dimensioni del tumore, raggio, curvatura e perimetro. All'uscita, abbiamo la probabilità che il tumore sia maligno o meno.
-
Previsione di vendita :
Un numero crescente di fornitori sta digitalizzando i propri record, molti di loro hanno iniziato a utilizzare strumenti di apprendimento automatico per prevedere le vendite dell'articolo specifico in una determinata settimana in modo da poter immagazzinare una quantità sufficiente di inventario. Introduzione Alle tecniche di apprendimento automatico prenderebbero input dalle vendite dell'anno precedente per articoli diversi e troverebbero modelli per variazioni stagionali e dare previsioni specifiche per la vendita di determinati articoli. Possiamo anche identificare articoli a basso rendimento in termini di vendite.
-
Riconoscimento facciale:
Durante il caricamento di immagini su Facebook probabilmente hai notato che tagga i volti dei tuoi amici sui loro nomi. Nel backend / algoritmi di deep learning stanno facendo questo lavoro. La stessa fondamentale introduzione ai principi dell'apprendimento automatico viene utilizzata anche per il riconoscimento dei volti, in cui le immagini dei volti di input vengono alimentate e le reti neurali vengono addestrate per classificare queste immagini.
-
Classificazione del testo:
Con l'aumento della popolazione online, è diventato obbligatorio per le società di siti Web / social media come Twitter, Facebook, Quora implementare sistemi basati sulla classificazione del testo. Twitter / Quora lo utilizza per identificare commenti / post di odio. Alcune compagnie di stampa usano anche algoritmi di classificazione del testo per raggruppare articoli di notizie simili.
-
Interpretazione audio / vocale:
Ti sei mai chiesto come dispositivi come Alexa, Siri, Google stiano diventando intelligenti giorno dopo giorno nella comprensione dei dati audio in diverse lingue con accenti diversi. Una grande quantità di dati viene addestrata in questi dispositivi per l'introduzione alle tecniche di apprendimento automatico, il che rende possibile.
-
Sistemi di rilevamento delle frodi:
Diversi sistemi di rilevamento delle frodi basati su ML sono implementati da diverse società di e-commerce per identificare i clienti che creano ordini falsi ed eliminare anche i venditori che vendono prodotti contraffatti sulla piattaforma. Le industrie bancarie e altre start-up di tecnologie finanziarie si basano fortemente sulle tecniche ML per rilevare le transazioni fraudolente
-
Motori di raccomandazione
Netflix utilizza ML senza supervisione per raccomandare film mentre Amazon lo utilizza per raccomandare prodotti da acquistare.
vantaggi
-
Automatizza le attività che richiedono tempo:
Le applicazioni basate su ML hanno automatizzato diverse attività come processi decisionali di basso livello, immissione di dati, telelavoro, processi di approvazione del prestito.
-
Riduzione dei costi:
Una volta che l'algoritmo è stato sviluppato e messo in produzione, può causare risparmi significativi in quanto il lavoro umano e il processo decisionale sono minimi.
-
Tempo di consegna:
Per molte applicazioni, il tempo totale è di fondamentale importanza. ML è stata in grado di ridurre i tempi in settori come i reclami di assicurazione auto in cui l'utente carica le immagini e viene calcolato l'importo dell'assicurazione. Ha inoltre aiutato le aziende di e-commerce a gestire i resi di inventario venduto.
-
Processo decisionale basato sui dati:
Non solo le società, ma molti governi si affidano a ML per prendere decisioni nel decidere in quali progetti investire e come utilizzare in modo ottimale le risorse esistenti.
svantaggi
-
Gli algoritmi ML possono essere distorti:
Molte volte, i dati di input dell'algoritmo ML sono distorti da un genere specifico, razza, paese, casta, ecc. Ciò si traduce in algoritmi ML che diffondono pregiudizi indesiderati nel processo decisionale. Questo è stato osservato in alcune applicazioni che hanno implementato il processo di ammissione alla scuola / college e le raccomandazioni sui social media in stile ML.
-
Richiedi dati di grandi dimensioni per ottenere una precisione accettabile:
Mentre le persone possono imparare facilmente per piccoli set di dati, per alcune applicazioni, l'introduzione all'apprendimento automatico richiede enormi quantità di dati per ottenere una precisione sufficiente.
-
Manipola la decisione dell'utente:
Recentemente Cambridge Analytica, una società di analisi ha utilizzato algoritmi ML sui social media per indirizzare e influenzare la decisione degli elettori.
-
Attualmente, l'introduzione dell'algoritmo di apprendimento automatico potrebbe essere adatta per il futuro:
La tecnica ML addestrata sul set di dati corrente potrebbe non essere adatta per il futuro poiché la distribuzione degli input potrebbe cambiare in modo significativo nel tempo. Una delle contromisure per ovviare a questo è quella di riqualificare periodicamente il modello.
Articoli consigliati
Questa è stata una guida all'introduzione all'apprendimento automatico. Qui abbiamo discusso dell'apprendimento automatico con i punti e le caratteristiche di base dell'introduzione all'apprendimento automatico. Puoi anche consultare i seguenti articoli:
- Tecniche di apprendimento automatico
- Apprendimento automatico vs rete neurale
- Carriere nell'apprendimento automatico
- Differenza tra Big Data e Machine Learning
- Apprendimento automatico iperparametro