Introduction à l'apprentissage automatique
L'apprentissage automatique (ML) est un art de développer des algorithmes sans programmation explicite. Au cours des deux dernières décennies, des exaoctets de données ont été générés et la plupart des industries ont été entièrement numérisées. Ces données existantes sont utilisées par les algorithmes d'apprentissage automatique (ML) pour développer des modèles prédictifs et automatiser plusieurs tâches chronophages.
Voyons comment les algorithmes ML diffèrent des algorithmes programmés basés sur Logic:
Pour un algorithme basé sur la logique, le flux est bien défini et connu à l'avance, mais il existe plusieurs scénarios réels (tels que la classification des images) où la logique ne peut pas être définie. Dans de tels cas, l'apprentissage automatique s'est avéré extrêmement utile. Les techniques d'apprentissage automatique prennent les paramètres d'entrée et les données de sortie de référence attendues et génèrent une logique qui est ensuite déployée en production.
Principaux composants de l'introduction à l'apprentissage automatique:
L'apprentissage automatique est subdivisé dans les catégories suivantes:
1. Apprentissage automatique supervisé
L'algorithme ML supervisé prend les données d'entrée (caractéristiques) ainsi que les données étiquetées en sortie à l'entrée. Ils sont principalement utilisés pour les tâches de classification et de régression.
Classification:
- Décision d'admissibilité au prêt : automatisez le processus d'approbation du prêt en utilisant des données antérieures ayant des paramètres tels que l'âge, le revenu, l'éducation, la ville, etc. pour décider si le prêt du demandeur peut être approuvé.
Régression:
- Prévision du prix de la maison : prédisez le prix de la maison en utilisant des fonctionnalités telles que la taille de la maison, l'âge de la maison, le nombre de pièces, la localité, etc.
2. Apprentissage automatique non supervisé
Les techniques ML non supervisées ne nécessitent aucune donnée étiquetée et sont utilisées pour regrouper les données en différents segments en fonction des caractéristiques d'entrée.
Exemple: pour séparer un groupe de 100 personnes en 5 clusters, les fonctionnalités d'entrée peuvent inclure des intérêts, des loisirs, des liens sociaux, etc.
Applications de l'apprentissage automatique
Au cours de la dernière décennie, l'introduction à l'apprentissage automatique a transformé plusieurs secteurs, notamment la santé, les médias sociaux, le marketing numérique, l'immobilier, la logistique, la chaîne d'approvisionnement et la fabrication. Les premiers à avoir déménagé dans ces industries ont déjà récolté des bénéfices importants. Il y a une demande croissante de main-d'œuvre qualifiée avec l'apprentissage automatique et la connaissance du domaine.
Voici quelques applications où les techniques de ML ont joué un rôle important:
-
Classification des courriers indésirables:
Pour classer le courrier comme spam / non spam en utilisant des réponses étiquetées en utilisant des données telles que le contenu du message, l'utilisation du vocabulaire utilisé dans les e-mails promotionnels, l'adresse e-mail de l'expéditeur, l'adresse IP de l'expéditeur, l'utilisation d'hyperliens, la ponctuation des numéros, etc.
-
Détection du cancer:
Le ML est de plus en plus utilisé dans les soins de santé pour le diagnostic et même pour la détection du cancer en utilisant les données médicales des patients précédents. Pour la détection du cancer du sein, l'algorithme de formation prend en entrée des données telles que la taille de la tumeur, le rayon, la courbure et le périmètre. À la sortie, nous obtenons la probabilité que la tumeur soit maligne ou non.
-
Prévision des ventes :
Un nombre croissant de fournisseurs numérisent leurs enregistrements, beaucoup d'entre eux ont commencé à utiliser des outils d'apprentissage automatique pour prédire les ventes de l'article particulier au cours d'une semaine donnée afin qu'ils puissent stocker une quantité suffisante d'inventaire. Introduction Les techniques d'apprentissage automatique prendraient les données des ventes de l'année précédente pour différents articles et trouveraient des modèles pour les variations saisonnières et donneraient des prévisions spécifiques pour la vente de certains articles. Nous pouvons également identifier les articles les moins performants en termes de ventes.
-
Reconnaissance de visage:
Vous avez probablement remarqué lors du téléchargement de photos sur Facebook que les visages de vos amis étaient étiquetés à leurs noms. Dans la machine backend / les algorithmes d'apprentissage profond font ce travail. La même introduction fondamentale aux principes d'apprentissage automatique est également utilisée pour la reconnaissance faciale, où les images faciales d'entrée sont alimentées et les réseaux de neurones sont formés pour classer ces images.
-
Classification du texte:
Avec l'augmentation de la population en ligne, il est devenu obligatoire pour les sites Web / sociétés de médias sociaux tels que Twitter, Facebook, Quora de déployer des systèmes basés sur la classification de texte. Twitter / Quora l'utilise pour identifier les commentaires / messages haineux. Certaines sociétés de presse utilisent également des algorithmes de classification de texte pour regrouper des articles de presse similaires.
-
Interprétation audio / vocale:
Vous êtes-vous déjà demandé comment des appareils comme Alexa, Siri, Google deviennent jour après jour intelligents pour comprendre les données audio dans différentes langues avec des accents différents. Une énorme quantité de données est formée dans ces appareils à l'introduction aux techniques d'apprentissage automatique, ce qui le rend possible.
-
Systèmes de détection de fraude:
Des systèmes de détection de fraude basés sur le ML sont déployés par plusieurs sociétés de commerce électronique pour identifier les clients créant de fausses commandes et également éliminer les fournisseurs vendant des produits contrefaits sur la plate-forme. Les industries bancaires et autres startups des technologies financières s'appuient énormément sur les techniques de ML pour détecter les transactions frauduleuses
-
Moteurs de recommandation
Netflix utilise un ML non supervisé pour recommander des films tandis qu'Amazon l'utilise pour recommander des produits à acheter.
Les avantages
-
Automatisez les tâches chronophages:
Les applications basées sur ML ont automatisé plusieurs tâches telles que la prise de décision de bas niveau, la saisie de données, les appels téléphoniques, les processus d'approbation de prêt.
-
Réduction des coûts:
Une fois que l'algorithme est développé et mis en production, il peut entraîner des économies importantes car le travail humain et la prise de décision sont minimes.
-
Délai d'exécution:
Pour de nombreuses applications, le temps total est d'une importance capitale. ML a pu réduire le temps dans des domaines tels que les réclamations d'assurance automobile où l'utilisateur télécharge des photos et le montant d'assurance est calculé. Il a également aidé les entreprises de commerce électronique à gérer les retours des stocks vendus.
-
Prise de décision basée sur les données:
Non seulement les entreprises, mais de nombreux gouvernements comptent sur le BA pour prendre des décisions afin de décider dans quels projets investir et comment utiliser de manière optimale les ressources existantes.
Désavantages
-
Les algorithmes ML peuvent être biaisés:
Souvent, les données d'entrée dans l'algorithme ML sont biaisées en fonction d'un sexe, d'une race, d'un pays, d'une caste, etc. spécifiques, ce qui entraîne des algorithmes ML propageant des biais indésirables dans le processus décisionnel. Cela a été observé dans certaines applications qui ont déployé un processus d'admission dans les écoles / collèges de type ML et des recommandations sur les médias sociaux.
-
Exiger des données volumineuses pour atteindre une précision acceptable:
Alors que les gens peuvent facilement apprendre pour de petits ensembles de données, pour certaines applications, l'introduction à l'apprentissage automatique nécessite d'énormes quantités de données pour atteindre une précision suffisante.
-
Manipuler la décision de l'utilisateur:
Récemment, Cambridge Analytica, une société d'analyse, a utilisé des algorithmes ML sur les réseaux sociaux pour cibler et influencer la décision des électeurs.
-
Actuellement, l'introduction à l'algorithme d'apprentissage automatique peut être bien adaptée pour l'avenir:
La technique de ML formée sur l'ensemble de données actuel peut ne pas être bien adaptée pour l'avenir car la distribution des entrées peut changer considérablement au fil du temps. L'une des contre-mesures pour surmonter ce problème est de recycler périodiquement le modèle.
Articles recommandés
Il s'agit d'un guide d'introduction à l'apprentissage automatique. Ici, nous avons discuté de l'apprentissage automatique avec les points et caractéristiques de base de l'introduction à l'apprentissage automatique. Vous pouvez également consulter les articles suivants:
- Techniques d'apprentissage automatique
- Apprentissage automatique vs réseau neuronal
- Carrières en apprentissage automatique
- Différence entre le Big Data et l'apprentissage automatique
- Apprentissage automatique hyperparamètre