Vysvětlení strojového učení

  • 4 min

Strojové učení je základem většiny řešení umělé inteligence. Od roku 1950 pracovali vědci, často označovaní jako datoví vědci, na různých přístupech k umělé inteligenci. Většina moderních aplikací umělé inteligence má svůj původ ve strojovém učení, větev umělé inteligence, která kombinuje počítačové vědy a matematiku.

Pojďme se na příkladu z reálného světa podívat, jak se dá strojové učení použít k vyřešení obtížného problému.

Udržitelné metody zemědělství jsou zásadní pro maximalizaci produkce potravin při současné ochraně choulostivého životního prostředí. Výnos, zemědělská technologická společnost založená v Austrálii, používá senzory, data a strojové učení, které můžou farmářům pomoct činit informovaná rozhodnutí týkající se počasí, půdy a podmínek rostlin.

Další informace najdete v následujícím videu.

Jak funguje strojové učení

Jak se učí stroje?

Odpověď je: z dat. V dnešním světě generujeme v rámci našeho každodenního života velké objemy dat. Generujeme obrovské množství informací – od textových zpráv, e-mailů a příspěvků na sociálních sítích, které odesíláme, až po fotografie a videa, která pořizujeme na telefonech. Další data pak generují miliony senzorů v našich domovech, automobilech, městech, infrastruktuře veřejné dopravy a továrnách.

Datoví vědci mohou všechna tato data použít k trénování modelů strojového učení. Ty pak mohou na základě vztahů, které v datech najdou, vytvářet predikce a odvozovat závěry.

Modely strojového učení se snaží zachytit vztah mezi daty. Předpokládejme například, že organizace zabývající se ochranou životního prostředí chce, aby dobrovolníci pomocí aplikace na telefonu identifikovali a katalogizovali různé druhy divokých rostlin. Následující animace ukazuje, jak tento scénář realizovat pomocí strojového učení.

An animation of the steps of machine learning.

  1. Tým botanistů a vědců shromažďuje data o vzorkách wildflowerů.
  2. Tým označí vzorky správnými druhy.
  3. Data označená popisky se zpracovávají pomocí algoritmu, který vyhledává vztahy mezi vlastnostmi vzorků a označenými druhy.
  4. Výsledky algoritmu jsou zapouzdřeny v modelu.
  5. Když dobrovolníci naleznou nové vzorky, model dokáže identifikovat správný popisek druhu.

Přístupy k umělé inteligenci mají pokročilé k dokončení úkolů s mnohem větší složitostí. Tyto složité modely tvoří základ schopností umělé inteligence.

Strojové učení v Microsoft Azure

Microsoft Azure poskytuje službu Azure Machine Learning – cloudovou platformu pro vytváření, správu a publikování modelů strojového učení. Azure Machine Učení Studio nabízí několik prostředí pro vytváření obsahu, například:

  • Automatizované strojové učení: Tato funkce umožňuje odborníkům rychle vytvořit efektivní model strojového učení z dat.
  • Návrhář služby Azure Machine Učení: grafické rozhraní umožňující vývoj řešení strojového učení bez kódu.
  • Vizualizace metrik dat: Analyzujte a optimalizujte experimenty pomocí vizualizace.
  • Poznámkové bloky: Můžete psát a spouštět vlastní kód na spravovaných serverech Jupyter Notebook, které jsou přímo integrované v sadě Studio.