L'apprentissage automatique est un terme omniprésent, mais tout le monde ne le comprend pas correctement. Dans cet article, des experts en matière de solutions analytiques du groupe de conseil KORUS Alena Gaybatova et Ekaterina Stepanova vous diront ce qu'est réellement l'apprentissage automatique (ML), dans quels cas cette technologie doit être utilisée dans des projets, et également là où l'apprentissage automatique est activement utilisé dans la pratique. ...
Comment les données sont traitées
Pendant longtemps, lors des réunions avec les clients, nous avons commencé à remarquer que tout le monde confond l'apprentissage automatique, l'intelligence artificielle (IA), le big data et d'autres termes de ce domaine.
Ainsi, le nom général de la technologie est l'intelligence artificielle. Il est de deux types - fort (aka général) et faible. Nous ne discuterons pas d'une IA forte, d'autant plus qu'il s'agit de décisions au niveau de Terminator. Nous nous en approchons lentement, mais jusqu'à présent il n'existe que sous la forme de fragments d'IA faible rassemblés ensemble (comme par exemple dans des colonnes «intelligentes»).
Il est beaucoup plus intéressant de parler d'une intelligence artificielle faible. Il est également divisé en deux types. Le premier est celui des systèmes experts , des algorithmes programmés manuellement (par exemple, l'algorithme de traduction de mots d'une langue dans une autre programmé par un groupe de linguistes).
Le second est ce que l'on appelle les systèmes basés sur les données qui extraient la logique du travail à partir d'une sorte de données historiques. Ce type a de nombreux termes synonymes qui sont apparus au fil du temps:
à la mode dans les années 90 et sans exploration de données et découverte de connaissances à partir de bases de données (KDD),
la science des données, qui est entrée en vigueur vers 2010,
le big data est aujourd'hui populaire. La seule exception, ou plutôt un ajout, que ce terme introduit est la présence d'une énorme quantité de données structurées de manière complexe.
Différents algorithmes pour différentes tâches
Conformément aux deux types d'IA faible, nous pouvons tirer des conclusions à partir des données manuellement (avec des systèmes experts) et en utilisant l'apprentissage automatique. Il, à son tour, est subdivisé en deux types: ML classique et apprentissage en profondeur (utilisant des réseaux de neurones profonds avec un grand nombre de couches).
ML . , , : , . , , c.
— , , . , : , , . , . , .
, — . , , .
? : , . : — 3 . , .
- , , .
– , , . — : , , — , .
— . , - . — , , , . . . , .
, .
– . C . 4 . – . , , . , , . .
C , — .
1950- . , : .
, . , . , . , , , .
ML . .
, . , .
. ( – , , ). , , , , , .
Uplift, . Uplift , , ( , ), .
–
, . ML . , , .
, - ;
, / ;
, , .
– . C ,
, , , , , . - .
, ML , , , , , , , , — .
, . , , , , , , . , , .
— . , , , , . – , , , . ML — , , , , , , .
, , . ( ), . , , – , - .
C , , , , , , , .
, , , . , , , ML- -.
, , . , , , . , .