טיש פון קאָנטענץ[באַהאַלטן][ווייַזן]
מיר קענען איצט רעכענען די יקספּאַנס פון פּלאַץ און די מינוט ינטראַקאַסיז פון סובאַטאָמישע פּאַרטיקאַלז דאַנק צו קאָמפּיוטערס.
קאמפיוטערס שלאָגן מענטשן ווען עס קומט צו ציילן און קאַלקיאַלייטינג, ווי אויך נאָכגיין לאַדזשיקאַל יאָ / ניין פּראַסעסאַז, דאַנק צו עלעקטראָנס וואָס אַרומפאָרן מיט די גיכקייַט פון ליכט דורך זייַן קרייַז.
אָבער, מיר טאָן ניט אָפט זען זיי ווי "ינטעליגענט" זינט, אין דער פאַרגאַנגענהייט, קאָמפּיוטערס קען נישט דורכפירן עפּעס אָן זייַענדיק געלערנט (פּראָוגראַמד) דורך יומאַנז.
מאַשין לערנען, אַרייַנגערעכנט טיף לערנען און קינסטלעך סייכל, איז געווארן אַ בוזזוואָרד אין וויסנשאפטלעכע און טעכנאָלאָגיע כעדליינז.
מאַשין לערנען סימז צו זיין אַמניפּרעזאַנט, אָבער פילע מענטשן וואָס נוצן דעם וואָרט וואָלט געראַנגל צו אַדאַקוואַטלי דעפינירן וואָס עס איז, וואָס עס טוט און וואָס עס איז בעסטער געניצט פֿאַר.
דער אַרטיקל זוכט צו דערקלערן מאַשין לערנען און אויך צושטעלן באַטאָנען, פאַקטיש ביישפילן פון ווי די טעכנאָלאָגיע אַרבעט צו אילוסטרירן וואָס עס איז אַזוי וווילטויק.
דערנאָך, מיר וועלן קוקן אין די פאַרשידן מאַשין לערנען מעטאַדאַלאַדזשיז און זען ווי זיי זענען געניצט צו אַדרעס געשעפט טשאַלאַנדזשיז.
צום סוף, מיר וועלן באַראַטנ זיך אונדזער קריסטאַל פּילקע פֿאַר עטלעכע שנעל פֿאָרויסזאָגן וועגן דער צוקונפֿט פון מאַשין לערנען.
וואָס איז מאַשין לערנען?
מאַשין לערנען איז אַ דיסציפּלין פון קאָמפּיוטער וויסנשאַפֿט וואָס ינייבאַלז קאָמפּיוטערס צו אָפּלערנען פּאַטערנז פֿון דאַטן אָן בפירוש געלערנט וואָס די פּאַטערנז זענען.
די קאַנקלוזשאַנז זענען אָפט באזירט אויף ניצן אַלגערידאַמז צו אויטאָמאַטיש אַססעסס די סטאַטיסטיש פֿעיִקייטן פון די דאַטן און דעוועלאָפּינג מאַטאַמאַטיקאַל מאָדעלס צו ויסמאָלן די שייכות צווישן פאַרשידן וואַלועס.
קאַנטראַסט דעם מיט קלאַסיש קאַמפּיוטינג, וואָס איז באזירט אויף דיטערמאַניסטיק סיסטעמען, אין וואָס מיר בפירוש געבן די קאָמפּיוטער אַ סכום פון כּללים צו נאָכפאָלגן פֿאַר עס צו טאָן אַ זיכער אַרבעט.
דער וועג פון פּראָגראַממינג קאָמפּיוטערס איז באקאנט ווי הערשן-באזירט פּראָגראַממינג. מאַשין לערנען איז אַנדערש פון און אַוטפּערפאָרמז כּללים-באזירט פּראָגראַממינג אין אַז עס קענען אַרויספירן די כּללים אויף זיך.
יבערנעמען איר זענט אַ באַנק פאַרוואַלטער וואָס וויל צו באַשליסן אויב אַ אַנטלייַען אַפּלאַקיישאַן וועט פאַרלאָזן אויף זייער אַנטלייַען.
אין אַ כּללים-באזירט אופֿן, דער באַנק פאַרוואַלטער (אָדער אנדערע ספּעשאַלאַסץ) וואָלט בפירוש מיטטיילן דעם קאָמפּיוטער אַז אויב די קרעדיט כעזשבן פון די אַפּליקאַנט איז אונטער אַ זיכער מדרגה, די אַפּלאַקיישאַן זאָל זיין פארווארפן.
אָבער, אַ מאַשין לערנען פּראָגראַם וואָלט פשוט אַנאַלייז פריערדיק דאַטן וועגן קליענט קרעדיט רייטינגז און אַנטלייַען רעזולטאַטן און באַשליסן וואָס די שוועל זאָל זיין אַליין.
די מאשין לערנט זיך פון פריערדיגע דאַטן און קריייץ אויף דעם וועג זיין אייגענע כּללים. פון קורס, דאָס איז בלויז אַ אָנפאַנגער אויף מאַשין לערנען; פאַקטיש-וועלט מאַשין לערנען מאָדעלס זענען פיל מער קאָמפּליצירט ווי אַ יקערדיק שוועל.
פונדעסטוועגן, עס איז אַ ויסגעצייכנט דעמאַנסטריישאַן פון די פּאָטענציעל פון מאַשין לערנען.
וויאַזוי אַ מאַשין לערנען?
צו האַלטן טינגז פּשוט, מאשינען "לערנען" דורך דיטעקטינג פּאַטערנז אין פאַרגלייַכלעך דאַטן. באַטראַכטן דאַטן ווי אינפֿאָרמאַציע וואָס איר קלייַבן פֿון די אַרויס וועלט. די מער דאַטן אַ מאַשין איז פאסטעכער, די "סמאַרטער" עס ווערט.
אָבער, ניט אַלע דאַטן זענען די זעלבע. יבערנעמען איר זענט אַ פּיראַט מיט אַ לעבן ציל צו ופדעקן די מקבר געווען אַשירעס אויף דעם אינזל. איר וועט וועלן אַ היפּש סומע פון וויסן צו געפֿינען די פרייז.
דעם וויסן, ווי דאַטן, קענען נעמען איר אין די ריכטיק אָדער פאַלש וועג.
די גרעסער די אינפֿאָרמאַציע / דאַטן קונה, די ווייניקער אַמביגיואַטי עס איז, און וויצע ווערסאַ. ווי אַ רעזולטאַט, עס איז קריטיש צו באַטראַכטן די סאָרט פון דאַטן איר פידינג דיין מאַשין צו לערנען.
אָבער, אַמאָל אַ היפּש קוואַנטיטי פון דאַטן איז צוגעשטעלט, דער קאָמפּיוטער קענען מאַכן פֿאָרויסזאָגן. מאשינען קענען אנטווארטן די צוקונפט אזוי לאנג ווי עס פארט נישט פיל פון דער פארגאנגענהייט.
מאשינען "לערנען" דורך אַנאַלייזינג היסטארישע דאַטן צו באַשליסן וואָס איז מסתּמא צו פּאַסירן.
אויב די אַלט דאַטן ריזעמבאַלז די נייַע דאַטן, די טינגז איר קענען זאָגן וועגן די פריערדיקע דאַטן זענען מסתּמא צו צולייגן צו די נייַע דאַטן. עס איז ווי אויב איר קוק צוריק צו זען פאָרויס.
וואָס זענען די טייפּס פון מאַשין לערנען?
אַלגערידאַמז פֿאַר מאַשין לערנען זענען אָפט קלאַסאַפייד אין דריי ברייט טייפּס (כאָטש אנדערע קלאַסאַפאַקיישאַן סקימז זענען אויך געניצט):
- סופּערווייזד לערנען
- ונסופּערוויסעד לערנען
- ריינפאָרסמאַנט לערנען
סופּערווייזד לערנען
סופּערווייזד מאַשין לערנען רעפערס צו טעקניקס אין וואָס די מאַשין לערנען מאָדעל איז געגעבן אַ זאַמלונג פון דאַטן מיט יקספּליסאַט לאַבעלס פֿאַר די קוואַנטיטי פון אינטערעס (די קוואַנטיטי איז אָפט ריפערד צו ווי דער ענטפער אָדער ציל).
צו באַן אַי מאָדעלס, האַלב-סופּערווייזד לערנען ניצט אַ מישן פון לייבאַלד און אַנלייבאַלד דאַטן.
אויב איר אַרבעט מיט אַנלייבאַלד דאַטן, איר דאַרפֿן צו נעמען עטלעכע דאַטן לייבלינג.
לייבלינג איז דער פּראָצעס פון לייבלינג סאַמפּאַלז צו העלפן אין טריינינג אַ מאַשין לערנען מאָדעל. לייבלינג איז בפֿרט געטאן דורך מענטשן, וואָס קענען זיין טייַער און צייט-קאַנסומינג. אָבער, עס זענען טעקניקס צו אָטאַמייט די לייבלינג פּראָצעס.
די אַנטלייַען אַפּלאַקיישאַן סיטואַציע מיר דיסקאַסט פריער איז אַ ויסגעצייכנט געמעל פון סופּערווייזד לערנען. מיר האָבן היסטארישע דאַטן וועגן די קרעדיט רייטינגז פון געוועזענער אַנטלייַען אַפּליקאַנץ (און טאָמער האַכנאָסע לעוועלס, עלטער, און אַזוי אויף) ווי געזונט ווי ספּעציפיש לאַבעלס וואָס דערציילט אונדז צי דער מענטש אין קשיא דיפאָלטיד אויף זייער אַנטלייַען אָדער נישט.
רעגרעססיאָן און קלאַסאַפאַקיישאַן זענען צוויי סאַבסעץ פון סופּערווייזד לערנען טעקניקס.
- קלאַססיפיקאַטיאָן - עס ניצט אַן אַלגערידאַם צו קאַטאַגערייז דאַטן ריכטיק. ספּאַם פילטערס זענען איין בייַשפּיל. "ספּאַם" קענען זיין אַ סאַבדזשעקטיוו קאַטעגאָריע - די שורה צווישן ספּאַם און ניט-ספּאַם קאָמוניקאַציע איז בלערי - און די ספּאַם פילטער אַלגערידאַם איז קעסיידער ראַפינירט זיך דיפּענדינג אויף דיין באַמערקונגען (טייַטש בליצפּאָסט אַז יומאַנז צייכן ווי ספּאַם).
- ראַגרעשאַן - עס איז נוציק צו פֿאַרשטיין די קשר צווישן אָפענגיק און פרייַ וועריאַבאַלז. רעגרעססיאָן מאָדעלס קענען פאָרויסזאָגן נומעריקאַל וואַלועס באזירט אויף עטלעכע דאַטן קוואלן, אַזאַ ווי פארקויפונג רעוועך עסטאַמאַץ פֿאַר אַ זיכער פירמע. לינעאַר ראַגרעשאַן, לאָגיסטיק ראַגרעשאַן און פּאָלינאָמיאַל ראַגרעשאַן זענען עטלעכע באַוווסט ראַגרעשאַן טעקניקס.
ונסופּערוויסעד לערנען
אין אַנסערווייזד לערנען, מיר זענען געגעבן אַנלאַבעלעד דאַטן און זענען נאָר קוקן פֿאַר פּאַטערנז. זאל ס פאַרהיטן איר זענט אַמאַזאָן. קענען מיר געפֿינען קיין קלאַסטערז (גרופּעס פון ענלעך קאָנסומערס) באזירט אויף קונה פּערטשאַסינג געשיכטע?
אפילו אויב מיר טאָן ניט האָבן יקספּליסאַט, קאַנקלוסיוו דאַטן וועגן אַ מענטש 'ס פּרעפֿערענצן, אין דעם בייַשפּיל, נאָר וויסן אַז אַ ספּעציפיש גאַנג פון קאָנסומערס פּערטשאַסאַז פאַרגלייַכלעך סכוירע אַלאַוז אונדז צו קויפן פֿירלייגן באזירט אויף וואָס אנדערע מענטשן אין דעם קנויל האָבן אויך געקויפט.
אַמאַזאָן ס "איר קען אויך זיין אינטערעסירט אין" קעראַסעל איז פּאַוערד דורך ענלעך טעקנאַלאַדזשיז.
ונסופּערוויסעד לערנען קענען גרופּע דאַטן דורך קלאַסטערינג אָדער פאַרבאַנד, דיפּענדינג אויף וואָס איר ווילן צו גרופּע צוזאַמען.
- Clustering - ונסופּערוויסעד לערנען פרווון צו באַקומען דעם אַרויסרופן דורך זוכן פֿאַר פּאַטערנז אין די דאַטן. אויב עס איז אַ ענלעך קנויל אָדער גרופּע, די אַלגערידאַם וועט קאַטאַגערייז זיי אין אַ זיכער שטייגער. טריינג צו קאַטאַגערייז קלייאַנץ באזירט אויף פרייַערדיק פּערטשאַסינג געשיכטע איז אַ ביישפּיל פון דעם.
- פאַרבאַנד - ונסופּערוויסעד לערנען פרווון צו מאַכנ דעם אַרויסרופן דורך טריינג צו באַגרייַפן די כּללים און מינינגז אַנדערלייינג פאַרשידן גרופּעס. א אָפט בייַשפּיל פון אַ פאַרבאַנד פּראָבלעם איז דיטערמאַנינג אַ לינק צווישן קונה פּערטשאַסאַז. סטאָרז קענען זיין אינטערעסירט צו וויסן וואָס סכוירע זענען פּערטשאַסט צוזאַמען און קענען נוצן דעם אינפֿאָרמאַציע צו צולייגן די פּאַזישאַנינג פון די פּראָדוקטן פֿאַר גרינג אַקסעס.
ריינפאָרסמאַנט לערנען
ריינפאָרסמאַנט לערנען איז אַ טעכניק פֿאַר לערנען מאַשין לערנען מאָדעלס צו מאַכן אַ סעריע פון ציל-אָריענטיד דיסיזשאַנז אין אַ ינטעראַקטיוו באַשטעטיקן. די גיימינג נוצן קאַסעס דערמאנט אויבן זענען ויסגעצייכנט אילוסטראציעס פון דעם.
איר טאָן ניט האָבן צו אַרייַן AlphaZero טויזנטער פון פריערדיקן שאָך שפּילערייַ, יעדער מיט אַ "גוט" אָדער "נעבעך" מאַך מיטן נאָמען. פשוט לערנען עס די כּללים פון די שפּיל און די ציל, און לאָזן עס פּרובירן ראַנדאָם אקטן.
Positive ריינפאָרסמאַנט איז געגעבן צו אַקטיוויטעטן וואָס נעמען די פּראָגראַם נעענטער צו דער ציל (אַזאַ ווי דעוועלאָפּינג אַ האַרט פּיאָן שטעלע). ווען אקטן האָבן די פאַרקערט ווירקונג (אַזאַ ווי פּרימאַטשורלי יבעררוק דעם מלך), זיי פאַרדינען נעגאַטיוו ריינפאָרסמאַנט.
די ווייכווארג קענען לעסאָף בעל דעם שפּיל מיט דעם אופֿן.
ריינפאָרסמאַנט לערנען איז וויידלי געניצט אין ראָובאַטיקס צו לערנען ראָובאַץ פֿאַר קאָמפּליצירט און שווער-צו-ינזשעניר אַקשאַנז. עס איז מאל יוטאַלייזד אין קאַנדזשאַנגקשאַן מיט ראָודוויי ינפראַסטראַקטשער, אַזאַ ווי פאַרקער סיגנאַלז, צו פֿאַרבעסערן פאַרקער לויפן.
וואָס קענען זיין געטאן מיט מאַשין לערנען?
די נוצן פון מאַשין לערנען אין געזעלשאַפט און אינדוסטריע איז ריזאַלטינג אין אַדוואַנסיז אין אַ ברייט קייט פון מענטשלעך ינדעווערז.
אין אונדזער טעגלעך לעבן, מאַשין לערנען איצט קאָנטראָלס Google ס זוכן און בילד אַלגערידאַמז, אַלאַוינג אונדז צו זיין מער אַקיעראַטלי מאַטשט מיט די אינפֿאָרמאַציע מיר דאַרפֿן ווען מיר דאַרפֿן עס.
אין מעדיצין, פֿאַר בייַשפּיל, מאַשין לערנען איז געווענדט צו גענעטיק דאַטן צו העלפן דאקטוירים פֿאַרשטיין און פאָרויסזאָגן ווי ראַק ספּרעדז, אַלאַוינג צו אַנטוויקלען מער עפעקטיוו טהעראַפּיעס.
דאַטן פון טיף פּלאַץ זענען געזאמלט דאָ אויף דער ערד דורך מאַסיוו ראַדיאָ טעלאַסקאָופּס - און נאָך אַנאַלייזד מיט מאַשין לערנען, דאָס העלפּס אונדז אַנראַוואַל די סודות פון שוואַרץ האָלעס.
מאַשין לערנען אין לאַכאָדימ - פֿאַרבינדונג בויערס מיט טינגז וואָס זיי ווילן צו קויפן אָנליין, און אויך העלפּס קראָם עמפּלוייז צו שנייַדער די סערוויס זיי צושטעלן צו זייער קלייאַנץ אין די ציגל-און-מאָרטער וועלט.
מאשין לערנען ווערט באנוצט אין קאמף קעגן טעראר און עקסטרעמיזם צו פארויסקוקן די אויפפירונג פון די וואס ווילן שאטן די אומשולדיגע.
נאַטירלעך שפּראַך פּראַסעסינג (NLP) רעפערס צו דער פּראָצעס פון אַלאַוינג קאָמפּיוטערס צו פֿאַרשטיין און יבערגעבן מיט אונדז אין מענטש שפּראַך דורך מאַשין לערנען, און דאָס איז ריזאַלטיד אין ברייקטרוז אין איבערזעצונג טעכנאָלאָגיע ווי געזונט ווי די קול-קאַנטראָולד דעוויסעס וואָס מיר ינקריסינגלי נוצן יעדער טאָג, אַזאַ ווי Alexa, Google Dot, Siri און Google אַסיסטאַנט.
אָן אַ קשיא, מאַשין לערנען איז דעמאַנסטרייטינג אַז עס איז אַ טראַנספאָרמאַציע טעכנאָלאָגיע.
ראָובאַץ וואָס זענען ביכולת צו אַרבעטן צוזאמען אונדז און בוסט אונדזער אייגענע אָריגינאַליטי און פאַנטאַזיע מיט זייער פאַלש לאָגיק און סופּערכיומאַן גיכקייַט זענען ניט מער אַ פאַנטאַזיע בעלעטריסטיק - זיי ווערן אַ פאַקט אין פילע סעקטאָרס.
מאַשינע לערן נוצן קאַסעס
1. סייבערסעקוריטי
ווי נעטוואָרקס האָבן גאַט מער קאָמפּליצירט, סייבערסעקוריטי ספּעשאַלאַסץ האָבן געארבעט טיירלאַסלי צו אַדאַפּט צו די טאָמיד יקספּאַנדינג קייט פון זיכערהייט טרעץ.
אַנטקעגנשטעלנ זיך ראַפּאַדלי יוואַלווינג מאַלוואַרע און כאַקינג טאַקטיק איז טשאַלאַנדזשינג גענוג, אָבער די פּראָוליפעריישאַן פון אינטערנעט פון טהינגס (IoT) דעוויסעס האט פאַנדאַמענטאַלי פארוואנדלען די סייבערסעקוריטי סוויווע.
אַטאַקס קענען פּאַסירן אין קיין מאָמענט און אין קיין אָרט.
טהאַנקפוללי, מאַשין לערנען אַלגערידאַמז האָבן ענייבאַלד סייבערסעקוריטי אַפּעריישאַנז צו האַלטן זיך מיט די שנעל דיוועלאַפּמאַנץ.
פּרידיקטיוו אַנאַליטיקס געבן פאַסטער דיטעקשאַן און מיטיגיישאַן פון אנפאלן, בשעת מאַשין לערנען קענען אַנאַלייז דיין טעטיקייט אין אַ נעץ צו דעטעקט אַבנאָרמאַלאַטיז און וויקנאַסאַז אין יגזיסטינג זיכערהייט מעקאַניזאַמז.
2. אַוטאָמאַטיאָן פון קונה דינסט
אָנפירונג אַ ינקריסינג נומער פון אָנליין קליענט קאָנטאַקטן האט סטריינד פיל אָרגאַניזאַציע.
זיי פשוט טאָן ניט האָבן גענוג קונה דינסט פּערסאַנעל צו שעפּן דעם באַנד פון ינקוועריז וואָס זיי באַקומען, און די טראדיציאנעלן צוגאַנג פון אַוצאָרסינג ישוז צו אַ קאָנטאַקט צענטער איז נאָר אַנאַקסעפּטאַבאַל פֿאַר פילע פון הייַנט ס קלייאַנץ.
טשאַטבאָץ און אנדערע אָטאַמייטיד סיסטעמען קענען איצט אַדרעס די פאדערונגען דאַנק צו אַדוואַנסיז אין מאַשין לערנען טעקניקס. קאָמפּאַניעס קענען פריי פּערסאַנעל צו נעמען מער הויך-מדרגה קונה שטיצן דורך אָטאַמייטינג מאַנדיין און נידעריק-בילכערקייַט אַקטיוויטעטן.
ווען געוויינט ריכטיק, מאַשין לערנען אין געשעפט קענען העלפֿן צו סטרימליין אַרויסגעבן האַכלאָטע און צושטעלן קאָנסומערס מיט די טיפּ פון נוציק שטיצן וואָס קאַנווערץ זיי צו ווערן באגאנגען סאָרט טשאַמפּיאָנס.
3. קאָמוניקאַציע
ויסמיידן ערראָרס און מיסקאַנסעפּשאַנז איז קריטיש אין קיין טיפּ פון קאָמוניקאַציע, אָבער מער אַזוי אין הייַנט ס געשעפט קאָמוניקאַציע.
פּשוט גראַמאַטיק מיסטייקס, פאַלש טאָן, אָדער עראָוניאַס איבערזעצונגען קענען פאַרשאַפן אַ קייט פון שוועריקייטן אין E- בריוו קאָנטאַקט, קונה יוואַליויישאַנז, ווידעא קאַנפראַנסינג, אָדער טעקסט-באזירט דאַקיומענטיישאַן אין פילע פארמען.
מאַשין לערנען סיסטעמען האָבן אַוואַנסירטע קאָמוניקאַציע ווייַטער פון מייקראָסאָפֿט ס Clippy ס כיידיד טעג.
די ביישפילן פון מאַשין לערנען האָבן געהאָלפֿן מענטשן יבערגעבן פשוט און גענוי דורך ניצן נאַטירלעך שפּראַך פּראַסעסינג, פאַקטיש-צייט שפּראַך איבערזעצונג און רעדע דערקענונג.
כאָטש פילע מענטשן האָבן ניט ליב אַוטאָקאָררעקטינג קייפּאַבילאַטיז, זיי אויך ווערט פּראָטעקטעד פון ימבעראַסינג מיסטייקס און ימפּראַפּער טאָן.
4. אָבדזשעקט רעקאָגניטיאָן
בשעת די טעכנאָלאָגיע צו זאַמלען און טייַטשן דאַטן איז געווען אַרום פֿאַר אַ בשעת, לערנען קאָמפּיוטער סיסטעמען צו פֿאַרשטיין וואָס זיי קוקן אין איז פּראָווען צו זיין אַ דיסעפּטיוולי שווער אַרבעט.
אָבדזשעקט דערקענונג קייפּאַבילאַטיז זענען מוסיף צו אַ ינקריסינג נומער פון דעוויסעס ווייַל פון מאַשין לערנען אַפּלאַקיישאַנז.
א זעלבסט-דרייווינג אויטאָמאָביל, למשל, אנערקענט אן אנדער מאַשין ווען עס זעט איינער, אפילו אויב פּראָוגראַמערז האָבן נישט געבן עס אַ פּינטלעך בייַשפּיל פון דעם מאַשין צו נוצן ווי אַ רעפֿערענץ.
די טעכנאָלאָגיע איז איצט געניצט אין לאַכאָדימ געשעפטן צו פאַרגיכערן די ויסשרייַבן פּראָצעס. קאַמעראַס ידענטיפיצירן די פּראָדוקטן אין קאָנסומערס 'קאַרץ און קענען אויטאָמאַטיש רעכענונג זייער אַקאַונץ ווען זיי פאַרלאָזן די קראָם.
5. דיגיטאַל מאַרקעטינג
פיל פון הייַנט ס פֿאַרקויף איז געטאן אָנליין, ניצן אַ קייט פון דיגיטאַל פּלאַטפאָרמס און ווייכווארג מגילה.
ווי געשעפטן קלייַבן אינפֿאָרמאַציע וועגן זייער קאָנסומערס און זייער פּערטשאַסינג ביכייוויערז, פֿאַרקויף טימז קענען נוצן די אינפֿאָרמאַציע צו בויען אַ דיטיילד בילד פון זייער ציל וילעם און אַנטדעקן וואָס מענטשן זענען מער גענייגט צו זוכן זייער פּראָדוקטן און באַדינונגס.
מאַשין לערנען אַלגערידאַמז אַרוישעלפן מאַרקעטערס צו מאַכן זינען פון אַלע די דאַטן, אַנטדעקן באַטייַטיק פּאַטערנז און אַטריביוץ וואָס לאָזן זיי טייטלי קאַטאַגערייז די פּאַסאַבילאַטיז.
דער זעלביקער טעכנאָלאָגיע אַלאַוז גרויס דיגיטאַל פֿאַרקויף אָטאַמיישאַן. אַד סיסטעמען קענען זיין שטעלן אַרויף צו דינאַמיש אַנטדעקן נייַע פּראָספּעקטיוו קאָנסומערס און צושטעלן באַטייַטיק פֿאַרקויף אינהאַלט צו זיי אין די רעכט צייט און אָרט.
צוקונפֿט פון מאַשין לערנען
מאַשין לערנען איז אַוואַדע גיינינג פּאָפּולאַריטעט ווי מער געשעפטן און ריזיק אָרגאַנאַזיישאַנז נוצן די טעכנאָלאָגיע צו מאַכנ ספּעציפיש טשאַלאַנדזשיז אָדער ברענוואַרג כידעש.
די פארבליבן ינוועסמאַנט דעמאַנסטרייץ אַ פארשטאנד אַז מאַשין לערנען איז פּראַדוסינג ראָי, דער הויפּט דורך עטלעכע פון די אויבן-דערמאנט געגרינדעט און רעפּראָדוסיבלע נוצן קאַסעס.
נאָך אַלע, אויב די טעכנאָלאָגיע איז גוט גענוג פֿאַר נעטפליקס, פאַסעבאָאָק, אַמאַזאָן, Google מאַפּס, און אַזוי אויף, גיכער זענען אַז עס קען אויך העלפֿן דיין פירמע מאַכן די מערסט פון זיין דאַטן.
ווי נייַ מאַשין וויסן מאָדעלס זענען דעוועלאָפּעד און לאָנטשט, מיר וועלן זיין עדות צו אַ פאַרגרעסערן אין די נומער פון אַפּלאַקיישאַנז וואָס וועט זיין געוויינט אין ינדאַסטריז.
דאס איז שוין געשען מיט פּנים דערקענונג, וואָס איז געווען אַמאָל אַ נייַע פֿונקציע אויף דיין iPhone, אָבער איז איצט ימפּלאַמענאַד אין אַ ברייט קייט פון מגילה און אַפּלאַקיישאַנז, ספּעציעל די שייַכות צו ציבור זיכערהייט.
דער שליסל פֿאַר רובֿ אָרגאַנאַזיישאַנז טריינג צו אָנהייבן מיט מאַשין לערנען איז צו קוקן פֿאַר די העל פיוטשעריסטיק וויזשאַנז און אַנטדעקן די פאַקטיש געשעפט טשאַלאַנדזשיז וואָס די טעכנאָלאָגיע קענען העלפֿן איר מיט.
סאָף
אין די נאָך ינדאַסטריאַליזעד צייט, סייאַנטיס און פּראָפעססיאָנאַלס האָבן געפרוווט צו שאַפֿן אַ קאָמפּיוטער וואָס ביכייווז מער ווי מענטשן.
די טינגקינג מאַשין איז אַי ס מערסט באַטייַטיק צושטייַער צו מענטשהייַט; די פענאָמענאַל אָנקומען פון דעם זיך-פּראַפּעלד מאַשין האט ראַפּאַדלי פארוואנדלען פֿירמע אַפּערייטינג רעגיאַליישאַנז.
זיך-דרייווינג וועהיקלעס, אָטאַמייטיד אַסיסטאַנץ, אָטאַנאַמאַס מאַנופאַקטורינג עמפּלוייז און קלוג שטעט האָבן לעצטנס דעמאַנסטרייטיד די ווייאַבילאַטי פון קלוג מאשינען. די מאַשין לערנען רעוואָלוציע, און די צוקונפֿט פון מאַשין לערנען, וועט זיין מיט אונדז פֿאַר אַ לאַנג צייַט.
לאָזן אַ ענטפֿערן