Какие проблемы решает машинное обучение

Машинное обучение (англ. machine learning, ML) — класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач.

• Классы задач, которые можно решить, используя машинное обучение:
•     •  регрессия: на основании признаков предсказать вещественный ответ;
•     •  классификация: на основании признаков предсказать категориальный ответ;
  
  •     •  кластеризация: разбиение данных на похожие категории;
  •     •  уменьшение размерности: научиться описывать данные не N признаками, а меньшим числом;
  •     •  выявление аномалий: на основании признаков научиться отличать аномалии от «не-аномалий».

Многие IT-продукты, использующие machine learning, интересны именно потому, что они позволяют найти решение проблемы, которое человек не способен найти самостоятельно.

• Этапы решения задач машинного обучения:
•     1)  понимание задачи и исходной информации;
•     2)  предобработка данных и изобретение признаков;
  
  •     3)  построение модели;
  •     4)  сведение обучения к оптимизации;
  •     5)  решение проблем оптимизации и переобучения;
    
    •     6)  оценивание качества решения;
    •     7)  внедрение и эксплуатация.

Один из видов machine learning — искусственные нейронные сети, в которых используются особые аналитические механизмы, способные самостоятельно обучаться и развиваться, учитывая опыт совершенных ошибок. Основные задачи, которые решает типичная нейросеть — распознавание, классификация, предсказание.

• Ситуации, в которых применение нейронных сетей будет наиболее уместно:
•     •  необходимая задача уже была решена ранее другими методами машинного обучения (ML);
•     •  существуют похожие задачи, решенные ранее другими алгоритмами ML;
  
  •     •  если исходные данные и полученный результат достаточно малы и сопоставимы по размеру с другими рабочими моделями ML в аналогичных ситуациях;
  •     • если исходные показатели и полученный результат достаточно малы и сопоставимы по размеру с другими рабочими моделями ML, а результат полностью определен входными данными.

• Некоторые примеры применения машинного обучения в IT-продуктах:
•     ◘  классификация изображений с использованием компьютерного зрения;
•     ◘  поиск, подбор контента (новостные ленты);
  
  •     ◘  фильтрации спама и контента низкого качества;
  •     ◘  игры с виртуальным противником;
  •     ◘  диагностика заболеваний;
    
    •     ◘  прогнозирование рисков;
    •     ◘  оценка надежности и платежеспособности;
    •     ◘  прогноз товарных остатков на основе поведения покупателей;
      
      •     ◘  диалоговые программы (чат-боты, виртуальные консультанты);
      •     ◘  голосовой поиск.

Благодаря машинному обучению разработчикам нет необходимости писать инструкции, учитывающие всевозможные проблемы и содержащие все решения. Вместо этого в IT-продукт внедряется алгоритм самостоятельного нахождения решений путем анализа статистических данных, из которых вычисляются закономерности и уже на их основе делаются прогнозы.