Machine learning (ML) – это применение математической модели на исторических данных с целью составления прогноза какого-то события на основе полученной информации. Иными словами, это «тренировка» алгоритмов на базе предыдущего опыта для совершения новых действий.

Главная идея технологии заключается в «обучении» аналитических систем корректно выявлять закономерности в данных и на их основе принимать дальнейшие решения без участия человека. В числе используемых методов: теория вероятностей, математическая статистика, логика, методы оптимизации, теория графов и т.д.

История Machine learning

Азы зарождения Machine Learning появились в 50-60-ых годах прошлого века, после чего был долгий период затишья – «накопления знаний». Пионерами технологии стали Артур Сэмюэль, Фрэнк Розенблатт и Джозеф Вейцбаум. Первый выступил создателем самообучающейся игровой программы Checkers-playing. Совместно с Дональдом Кнутом он занимался проектом TeX, итогом которого стала известная система компьютерной верстки.  Заслуга Вейцбаума в разработке виртуального «собеседника», способного имитировать диалог с психотерапевтом.  Розентблатт – один из отцов  Mark I Perceptron. Нейрокомпьютер предполагался для классификации алфавитных символов, но был громоздким и «негибким». Позже была предпринята попытка разработки системы распознавания речи.

Новым витком развития ML стало первое десятилетие XXI века. Появление Big Data, снижение стоимости параллельных вычислений, новые алгоритмы – три столпа, давших новый импульс технологии. Сейчас делается большой акцент на одном из важнейших ответвлений ML – Deep Learning.

Особенности ML

Применение Machine Learning дает возможность самостоятельно выстраивать причинно-следственные связи, решение идет не по четкой прописанной формуле, а установленной зависимости. Например, каждый день в течение семи дней выпадает снег, температура ниже нуля – вероятнее всего, наступила зима. Технологии ML применяются не только в метеорологии, но и в других прикладных сферах: промышленности, маркетинге, ритейле, телекоммуникациях, банковской деятельности и т.д.

Виды машинного обучения

• С учителем

«Учитель» – это вмешательство человека в процесс обработки данных. Этот вид обучения предполагает работу с готовым датасетом для конкретной задачи – нужно что-то спрогнозировать или подтвердить/опровергнуть некую гипотезу.  При «исследовании» у алгоритма уже есть правильный ответ, поэтому вместо поиска идет «обучение» в виде нахождения различных связей и составления прогнозов. При необходимости оператор может корректировать прогнозы. Процесс продолжается до тех пор, пока не будет отмечена высокая точность. Например, есть пул информации о доходах онлайн-магазина за год: количество проданного товара, затраты на продвижение, ROI, количество и стоимость кликов, средний чек и т.д. Задача ML: проанализировать весь массив данных и составить прогноз на нужный период времени – квартал, полгода или год.

К этой категории относятся:

• регрессия;
• классификация;
• прогнозирование.

• Без учителя

Отсутствует заранее известный ответ, цель алгоритма – найти связи между разрозненными данными, подобрать шаблоны и выявить закономерности (паттерны). Интерпретируются наборы данных, на основе чего делаются выводы.

Здесь выделяют типы:

• кластеризация;
• понижение размерности.

• С подкреплением

Синтез двух видов обучения используется в большинстве случаев для решения сложных задач и взаимодействует с окружающей средой. Определив правила, алгоритм ML изучает варианты и возможности, отслеживая и оценивая результат, чтобы понять, какой из вариантов самый оптимальный. Эксперты характеризуют такой тип как экспериментальный. Обучаясь на прошлом опыте, меняя подход, принимая в расчет ту или иную ситуацию, алгоритм пытается достичь самого эффективного из возможных итогов. Подход часто используется в тактическом планировании задач и логистике.