Комментарии 9
В самом общем смысле, машинное обучение можно описать как метод автоматизации, позволяющий компьютерам анализировать данные и делать на их основе какие-то выводы
Вопрос: метод автоматизации ... чего?
Судя по содержанию статьи - метод автоматизации процесса минимизации функции потерь.
В таком контексте , все , что считается на компьютере, а не на бумаге с карандашом в руках - это все автоматизация.
Методы (алгоритмы) процесса оптимизации потерь разработаны давно и успешно применяются вне машинного обучения.
До момента создания алгоритма обратного распространения машинное обучение было в тупике, хотя метод автоматизации минимизации ошибки успешно применялся.
После этого момента машинное обучение мелким шагом пошло дальше, но это не по причине применения автоматизации.
--------------------
Полагаю, что авторы статьи сами не разобрались в том, что такое машинное обучение. Вернее сказать - обучение машин.
Машинное обучение (ML) — это использование математических моделей данных, которые помогают компьютеру обучаться без непосредственных инструкций. Оно считается одной из форм искусственного интеллекта (ИИ).
Можно сказать, что машинное обучение автоматизирует процесс извлечения закономерностей из больших объёмов данных, да и вообще принятия решений на основе данных
Выше мы описали один алгоритм машинного обучения — линейную регрессию, которая предсказывает конкретные значения.
Не понял каким образом линейная регрессия превратилась в алгоритм машинного обучения. Ваш пример решался ровно также и без машинного обучения.
https://ru.wikipedia.org/wiki/Линейная_регрессия
Самой ранней формой регрессии был метод наименьших квадратов, который был опубликован Лежандром в 1805 году,[4] и Гауссом в 1809 году.[5] Лежандр и Гаусс оба применили этот метод к задаче определения на основе астрономических наблюдений орбит тел вокруг Солнца (в основном комет, но также позже недавно открытых малых планет). Гаусс опубликовал дальнейшее развитие теории наименьших квадратов в 1821 году,[6] включая версию теоремы Гаусса–Маркова.
Термин "регрессия" был введен Фрэнсисом Гальтоном в 19 веке для описания биологического явления. Феномен заключался в том, что рост потомков высоких предков имеет тенденцию к снижению до нормального среднего значения (явление, также известное как регрессия к среднему).[7][8] Для Гальтона регрессия имела только это биологическое значение,[9][10] но позже его работа была расширена Удни Юлом и Карлом Пирсоном до более общего статистического контекста.[11][12] В работе Юла и Пирсона предполагается, что совместное распределение отклика и объясняющих переменных является гауссовым. Это предположение было ослаблено Р.А. Фишером в его работах 1922 и 1925 годов.[13][14][15] Фишер предположил, что условное распределение переменной отклика является гауссовым, но совместное распределение не обязательно должно быть таким. В этом отношении предположение Фишера ближе к формулировке Гаусса от 1821 года.
Рональд А. Фишер (1954). Статистические методы для научных работников (Двенадцатое изд.). Эдинбург: Оливер и Бойд. ISBN 978-0-05-002170-5.
Не понял каким образом линейная регрессия превратилась в алгоритм машинного обучения
А что не так? Машинное обучение это ведь не только нейросети и deep learning. Действительно, линейная регрессия это один из простейших supervised learning алгоритмов:
https://en.m.wikipedia.org/wiki/Supervised_learning#Algorithms
В обучении машин используются различные алгоритмы, но эти различные алгоритмы не являются сами машинным обучением.
Например, алгоритм умножения векторов, матриц. Аналогично и алгоритм линейной регрессии и т д.
Машинное обучение - это не конкретный математический метод(алгоритм), а "использование математических моделей данных, которые помогают компьютеру обучаться без непосредственных инструкций." Т е суть именно в том, что мы не пишем конкретный алгоритм решения задачи, но это решение формируется на основе обучения. И именно нейронные сети и лежат в основе(являются базисом) обучения машин.
По-моему, и так большинству понятно, что "алгоритм машинного обучения" это то же самое, что и "алгоритм, используемый в машинном обучении". Зачем до придирок к таким мелочам то доходить? :)
И нейросети, кстати, это только одно из подмножеств машинного обучения, а не вся его основа. Навскидку: https://www.coursera.org/articles/machine-learning-vs-neural-networks
Авторы статьи заявили о том, что они излагают базовые понятия машинного обучения, т е основу -фундамент. Какой фундамент - такое и все здание. На плохом фундаменте хорошего дома не построить.
Ссылку загрузить не удается.
Но нейросеть - это и есть основа машинного обучения. А основа нейросети - это персептрон Розенблатта.
Это база машинного обучения