Talloze voorbeelden van machine learning laten zien dat machine learning (ML) uitermate nuttig kan zijn in een groot aantal cruciale toepassingen, waaronder datamining, natuurlijke taalverwerking, beeldherkenning en expertsystemen. Op al deze gebieden en meer biedt ML haalbare oplossingen, en het is voorbestemd om een ​​hoeksteen te worden van onze post-apocalyptische beschaving.

De geschiedenis van machine learning laat zien dat een goed begrip van de levenscyclus van machine learning toename voordelen van machine learning voor bedrijven aanzienlijk. Er zijn veel ongewone voorbeelden van machine learning die dit bewijzen, en de beste vind je in dit artikel.

Bent u op zoek naar voorbeelden van machine learning?

Machine learning maakt gebruik van statistische methoden om de intelligentie van een computer te vergroten en helpt bij het automatisch gebruik van alle bedrijfsgegevens.

Door de toenemende afhankelijkheid van machine learning-technologieën heeft de levensstijl van mensen een aanzienlijke transformatie ondergaan. We gebruiken allemaal deze subset van kunstmatige intelligentie, bewust of onbewust. We gebruiken Google Assistant, die ML-principes gebruikt, als voorbeeld. We gebruiken ook online klantenservice, een andere toepassing voor machine learning. Het zou echter nuttig zijn om snel ML-typen te beoordelen voordat u doorgaat met machine learning-scenario's.

Soorten machine learning

Om een ​​machine in staat te stellen voorspellingen te leren en te ontwikkelen, patronen te zoeken of gegevens te categoriseren, moet er een aanzienlijke hoeveelheid gegevens aan worden gepresenteerd. Het type machine learning, dat iets anders functioneert, wordt bepaald door het algoritme dat wordt toegepast. Gesuperviseerd leren, niet-gesuperviseerd leren en versterkend leren zijn de drie soorten machine learning.

Leren onder toezicht

De reden dat dit type machine learning 'gesuperviseerd' leren wordt genoemd, is dat u de algoritme-informatie invoert om te helpen bij het leren terwijl het wordt 'gesuperviseerd'. De rest van de informatie die u verstrekt, wordt gebruikt als invoerfuncties en de uitvoer die u aan het systeem geeft, wordt gelabeld als gegevens.

Verschillende commerciële doelen, zoals verkoopprognoses, voorraadoptimalisatie en fraudedetectie, kunnen worden bereikt door onder toezicht te leren. Use-cases zijn bijvoorbeeld:

• Het schatten van de prijs van onroerend goed.
• Bepaling van de mate van fraude bij banktransacties.
• Identificatie van ziekterisico-elementen.
• Het beoordelen van het risico van potentiële kredietnemers voor leningen.
• Het voorspellen van het falen van mechanische componenten in industriële apparatuur.

Niet-gecontroleerd leren

Het voordeel van onbewaakte machine learning is dat het ongelabelde gegevens kan gebruiken. Dit betekent dat er geen menselijke tussenkomst nodig is om de dataset machineleesbaar te maken, waardoor het programma op veel grotere datasets kan functioneren.

De labels in begeleid leren geven het algoritme de mogelijkheid om het precieze type relatie te bepalen dat bestaat tussen twee gegevenspunten.

Verschillende voorbeelden van use-cases zijn onder meer:

• Groepeer klanten op basis van hun koopgedrag.
• Groepsvoorraden op basis van productie- en/of omzetstatistieken.
• Identificeren van relaties in klantgegevens (klanten die bijvoorbeeld een specifieke stijl handtas kopen, zijn mogelijk geïnteresseerd in een specifieke stijl schoen).

Versterking leren

De machinale leermethode die het meest lijkt op hoe mensen leren, is versterkend leren. Door interactie met zijn omgeving en beloningen te ontvangen, zowel goed als negatief, leert het algoritme of de gebruikte agent. Diepe vijandige netwerken, Q-learning en temporele verschillen zijn voorbeelden van veelvoorkomende algoritmen.

Voorbeelden van bepaalde toepassingen zijn als volgt:

• Voertuigen leren zelf te parkeren en te rijden.
• Verkeerslichten dynamisch aanpassen om opstoppingen te verminderen.
• Onbewerkte video gebruiken als input om robots te leren regels te volgen, zodat ze het gedrag dat ze waarnemen kunnen kopiëren.

In de volgende sectie zullen we meer voorbeelden van machine learning-typen geven.

15 praktijkvoorbeelden van machine learning in het dagelijks leven en in het bedrijfsleven

De normale mens kan zich geïntimideerd, verward en mogelijk ongrijpbaar voelen als hij aan machine learning denkt, en visioenen oproept van onheilspellende robots die de planeet verwoesten. Machine learning gebeurt elke dag voor en om ons heen, of we het nu zien of niet, omdat meer bedrijven en individuen afhankelijk zijn van de modellen om enorme hoeveelheden gegevens te beheren. Laten we er een paar bekijken:

Gezichtsherkenning

Een van de meest voor de hand liggende toepassingen van machine learning is gezichtsherkenning. Vroeger ontvingen mensen naamaanbevelingen wanneer ze iemand tagden in hun smartphoneafbeeldingen of op Facebook, maar nu worden tags onmiddellijk gevalideerd door patronen in gezichtsvormen te vergelijken en te analyseren. Bovendien wordt de combinatie van gezichtsherkenning met deep learning nu veel gebruikt in de medische wereld om het medische gebruik van een patiënt nauwkeurig te volgen of erfelijke ziekten te diagnosticeren.

Daarnaast wordt het ingezet in de strijd tegen belangrijke maatschappelijke problemen, waaronder kinderhandel en seksuele uitbuiting van kinderen. Het wordt steeds vaker gebruikt in meer toepassingen en sectoren.

Productaanbevelingen

Gerichte marketing in de detailhandel groepeert klanten op basis van demografische of aankooppatronen en extrapoleert wat de ene persoon zou willen van een andere aankoop. Hoewel sommige aanbevolen aankoopcombinaties duidelijk zijn, kan machine learning verrassend nauwkeurig worden door verborgen links in gegevens te ontdekken en te voorspellen wat u wenst voordat u het zelfs maar beseft. Het is een van de meest gebruikte voorbeelden van machine learning.

Coca-Cola is bijvoorbeeld een van de grootste drankenfirma's ter wereld vanwege zijn uitgebreide productlijn en wereldwijde markt - daar worden meer dan 500 drankmerken aangeboden. Het bedrijf genereert niet alleen veel gegevens, maar heeft ook nieuwe technologie omarmd en gebruikt die gegevens om de ontwikkeling van nieuwe producten te stimuleren, te profiteren van AI-bots en zelfs te testen augmented reality bij het bottelen.

Creatieve kunsten

Nieuwe nummers worden momenteel geïnspireerd door algoritmen voor het maken van muziek. Er zijn inzichten die kunnen worden afgeleid uit voldoende gegevens, zoals miljoenen gesprekken, krantenkoppen en toespraken, om een ​​lyrisch thema te helpen ontwikkelen. Een verscheidenheid aan muzikale elementen kan worden gegenereerd door computers zoals Watson BEAT, die songwriters kunnen inspireren. AI helpt muzikanten om de voorkeuren van hun fans te begrijpen en om preciezere voorspellingen te doen over welke nummers uiteindelijk hits zullen worden. Het is een van de meest interessante voorbeelden van machine learning.

Gezondheidszorg en medische diagnose

In de geneeskunde en de gezondheidszorg pakt machine learning prognostische en diagnostische uitdagingen aan. Enkele van de verschillende toepassingen van machine learning in de gezondheidszorg zijn ziektedoorbraken, patiëntbewaking en -beheer, analyse van medische gegevens en beheer van onjuiste medische gegevens. Het is een van de meest veelbelovende voorbeelden van machine learning.

Bijvoorbeeld Omden heeft sequentiële en statische functiemodellering met terugkerende neurale netwerken (RNN's) gebruikt om hartstilstand te voorspellen.

Landbouw

Voor hoogwaardige producten biedt machine learning in de landbouw nauwkeurige en effectieve landbouw met minimale arbeid. Bovendien biedt machine learning onschatbare gewasgerelateerde informatie en suggesties, zodat boeren verliezen kunnen verminderen.

Om de voedselzekerheid in Senegal, Afrika te vergroten, Omden ontwikkelde een tool voor het voorspellen van gewasopbrengsten met behulp van satellietfoto's van Google Earth Engine (GEE)-foto's en Jupyter.

Sentiment analyse

Een van de meest essentiële toepassingen van machine learning is sentimentanalyse. Een realtime machine learning-toepassing genaamd sentimentanalyse werkt om het sentiment of het standpunt van de spreker of schrijver vast te stellen. Een sentimentanalysator zal bijvoorbeeld snel de ware bedoeling en toon bepalen van een recensie of e-mail (of een ander type document) dat is geschreven. Deze tool voor sentimentanalyse kan worden gebruikt om besluitvormingstoepassingen, op beoordelingen gebaseerde websites, enz.

Virtuele persoonlijke assistenten: is Siri een machine learning?

Enkele van de bekende voorbeelden van virtuele persoonlijke assistenten zijn Siri, Alexa en Google Now. Desgevraagd bieden ze, zoals de naam al aangeeft, hulp bij het vinden van informatie. Activeer ze gewoon en vraag dingen als "Wat is mijn schema voor vandaag?" of “Wat zijn de vluchten van Duitsland naar Londen?” Uw persoonlijke assistent zoekt naar de informatie, onthoudt uw relevante vragen of stuurt een verzoek aan andere bronnen (zoals telefoonapps) om de informatie te verzamelen. Het is een van de meest gebruikte voorbeelden van machine learning.

Sterker nog, u kunt uw assistenten instructies geven, zoals "Zet de volgende ochtend een alarm voor 6 uur" of "Herinner me eraan dat ik overmorgen naar het visumkantoor moet gaan."

Sociale mediadiensten

Socialmediabedrijven passen machine learning toe voor hun eigen en gebruikersvoordelen, van het aanpassen van uw nieuwsfeed tot betere advertentietargeting. De functies "Mensen die u misschien kent" en "soortgelijke pinnen" zijn slechts enkele voorbeelden van dingen die u op sociale media moet gebruiken, herkennen en aanbidden zonder te beseffen dat ze niets meer zijn dan toepassingen voor machine learning (ML).

Big data en kunstmatige intelligentie-gerelateerde ML worden ook door Instagram gebruikt om advertenties te targeten, cyberpesten te stoppen en beledigende opmerkingen te verwijderen. Kunstmatige intelligentie is essentieel voor het vermogen van het platform om gebruikers dingen weer te geven waarin ze mogelijk geïnteresseerd zijn, spam te bestrijden en de gebruikerservaring te verbeteren naarmate het inhoudsvolume van het platform toeneemt.

E-mailautomatisering en spamfiltering

Hoewel het lijkt alsof uw mailbox nogal oninteressant is, heeft machine learning daadwerkelijk invloed op hoe het werkt. Succesvolle machine learning leidt direct tot e-mailautomatisering en spamfiltering is een van de meest gebruikte functies. Succesvolle spamfiltering leert van zijn fouten en herkent ongewenste patronen in de e-mailinhoud. Dit omvat informatie uit e-maildomeinen, het fysieke adres van de afzender, de tekst en structuur van berichten en IP-adressen. Het is een van de meest alledaagse voorbeelden van machine learning.

Bovendien moeten gebruikers helpen, omdat ze e-mails moeten markeren die onjuist zijn gearchiveerd. Elke keer dat een e-mail wordt gemarkeerd, wordt een nieuwe gegevensreferentie toegevoegd om de nauwkeurigheid in de toekomst te vergroten.

Financiële diensten

De banksector heeft geprofiteerd van machine learning, aangezien de meeste systemen digitaal worden. Machine learning maakt het eenvoudig om grote hoeveelheden financiële transacties te onderzoeken die onzichtbaar zijn voor het menselijk oog en helpt bij het identificeren van frauduleuze transacties. Het is een van de meest cruciale voorbeelden van machine learning.

Er zijn 110 miljoen AmEx-kaarten in gebruik en American Express voert jaarlijks $ 1 biljoen uit aan transacties. Om fraude in bijna realtime te detecteren en miljoenen dollars aan schade te voorkomen, vertrouwen ze voornamelijk op data-analyse en machine learning-algoritmen. AmEx gebruikt zijn gegevensstromen ook om apps te maken die kaarthouders kunnen verbinden met goederen en diensten, evenals exclusieve deals. Daarnaast bieden ze trendanalyses voor online bedrijven en benchmarking van branchegenoten voor retailers.

Online klantenondersteuning

Tegenwoordig bieden veel websites bezoekers de mogelijkheid om te chatten met een medewerker van de klantenservice terwijl ze door de site bladeren. Maar niet elke website heeft een live-vertegenwoordiger die op uw vragen kan reageren. Je praat het grootste deel van de tijd met een chatbot. De informatie die deze bots van de website halen en aan de klanten leveren. De chatbots ontwikkelen zich in de loop van de tijd. Dankzij de machine learning-algoritmen hebben ze de neiging om vragen van klanten beter te begrijpen en betere antwoorden te geven.

Zoekmachine resultaten

Machine learning wordt door Google en andere zoekmachines gebruikt om uw zoekresultaten te verbeteren. De algoritmen aan de achterkant houden bij hoe u reageert op de resultaten na elke zoekopdracht die u uitvoert. De zoekmachine is van mening dat de weergegeven resultaten relevant waren voor de zoekopdracht als u de topresultaten opent en een tijdje door de pagina bladert.

De zoekmachine gaat ervan uit dat de door hem weergegeven resultaten niet aan uw vereisten voldoen als u de tweede of derde pagina met zoekresultaten bereikt, maar er geen opent. De algoritmen in de backend verbeteren op deze manier de zoekresultaten.

Taal vertaling

Taalvertaling is een van de meest gebruikte toepassingen van machine learning. Bij het vertalen van de ene taal naar de andere is machine learning belangrijk. We staan ​​versteld van hoe gemakkelijk websites kunnen vertalen tussen talen terwijl ze toch context bieden. Machinevertaling is de naam van de technologie die de vertaaltool aandrijft. Het is een van de meest bruikbare voorbeelden van machine learning.

Zonder technologie zou het leven niet zo eenvoudig zijn als het nu is, omdat het het mensen mogelijk heeft gemaakt om met mensen van over de hele wereld in contact te komen. Het heeft toeristen en zakenpartners de zekerheid gegeven die ze nodig hebben om veilig naar het buitenland te reizen, aangezien ze weten dat taal geen obstakel meer zal zijn.

Gaming

Sommige mensen zullen misschien denken aan de schaakwedstrijd tussen IBM's Deep Blue en Gary Kasparov, waarin Deep Blue de overhand had. Of in 2016, toen Lee Dedol, de Go-wereldkampioen, werd verslagen door AlphaGod van Google DeepMind. ML-functies

Zelfrijdende auto's en geautomatiseerd vervoer

Wist u dat een Boeing 777-piloot slechts zeven minuten bezig is met het daadwerkelijk besturen van het vliegtuig? De vluchten van vandaag gebruiken FMS (Flight Management System), een combinatie van GPS, bewegingssensor en computersysteem die zijn positie tijdens het vliegen volgt. Wanneer we echter proberen hetzelfde idee toe te passen op auto's, verandert de dynamiek aanzienlijk. Er zijn andere voertuigen op de weg, gevaren moeten worden vermeden en beperkingen die worden opgelegd door verkeerswetten. Het is een van de meest "Elon Musk" voorbeelden van machine learning.

Toch bestaan ​​er al zelfrijdende voertuigen. Een onderzoek met 55 Google-voertuigen die samen meer dan 1.3 miljoen kilometer hebben gereden, suggereert dat deze AI-aangedreven auto's mogelijk beter presteren dan hun menselijke tegenhangers. Het gebruik van Google Maps, dat locatiegebaseerde informatie verzamelt, heeft de navigatie-uitdagingen al opgelost.

Wat is geen voorbeeld van machine learning?

Het is van cruciaal belang om te begrijpen wat machine learning niet is om te begrijpen wat het eigenlijk is. Door het veelvuldige gebruik van de termen “kunstmatige intelligentie, ""machine learning, ""diepgaand leren’ en ‘statistisch leren’,

Overweeg Netflix om het onderscheid tussen statistisch leren en machine learning volledig te begrijpen. De Netflix-prijs, een wedstrijd voor het beste aanbevelingssysteem, werd in 2006 door het bedrijf geïntroduceerd. Deelnemers konden deze taak benaderen met behulp van statistisch leren of machinaal leren, zoals Brian Caffo suggereerde.

Kunstmatige intelligentie is wat machine learning is. Machine learning is echter geen kunstmatige intelligentie. Dit komt omdat kunstmatige intelligentie machine learning omvat. Kunstmatige intelligentie omvat naast machine learning ook gebieden als computervisie, robotica en expertsystemen.

Aan de andere kant worden deep learning en machine learning soms verward omdat deep learning een subtype van machine learning is. Machine learning en deep learning bieden beide methoden voor het classificeren van gegevens en trainingsmodellen. Hun verschillen zijn te zien in de manier waarop ze leren benaderen. Bij machine learning upload je data (zoals foto's), beschrijf je handmatig de kenmerken, bouw je een model en de computer voorspelt vervolgens de toekomst. U kunt het proces van het handmatig definiëren van functies overslaan terwijl u deep learning gebruikt. Deep learning-algoritmen werken rechtstreeks met gegevens. Dit is een zelflerend systeem dat is getraind met behulp van veel neurale netwerken en een groot aantal datasets.

Implementatie van machine learning

U moet het platform, de IDE en de programmeertaal selecteren voordat u begint met het maken van ML-toepassingen. Er zijn tal van opties mogelijk. Aangezien ze allemaal de implementatie van de tot nu toe geschetste AI-algoritmen bieden, zou de meerderheid gemakkelijk aan uw behoeften kunnen voldoen.

De bovengenoemde details moeten grondig worden begrepen als u het ML-algoritme alleen maakt:

• De taal van uw keuze is in wezen hoe goed u thuis bent in een van de talen die worden gebruikt bij de ontwikkeling van machine learning.
• De IDE die u gebruikt, is afhankelijk van uw comfortniveau en ervaring met de beschikbare IDE's.

Taal 

De talen die ML-ontwikkeling mogelijk maken, worden hieronder vermeld:

• Python
• R
• matlab
• Octaaf
• Julia
• C + +
• C

Hoewel deze lijst niet volledig is, bevat deze lijst tal van veelgebruikte talen voor de ontwikkeling van machine learning. Kies een taal voor de ontwikkeling, maak uw modellen en voer tests uit op basis van uw comfortniveau.

IDE

De IDE's die ML-ontwikkeling ondersteunen, worden hieronder vermeld.

• R-studio
• pycharme
• iPython/Jupyter-notebook
• Julia
• Spyder
• Anaconda
• Rodeo
• Google-Colab

Bovenstaande lijst is niet volledig uitputtend. Elk heeft zijn eigen voor- en nadelen. Alvorens over te gaan op een enkele IDE, wordt de lezer aangeraden deze opties uit te proberen.

platforms

De volgende lijst met platforms bevat de platforms waarop ML-toepassingen kunnen worden gebruikt:

• IBM
• Microsoft Azure
• Google Cloud
• Amazone
• Mlstroom

Nogmaals, deze lijst is niet allesomvattend. Er wordt voorgesteld dat de lezer zich aanmeldt voor de bovengenoemde services en ze eens probeert.

Wat is de beste taal voor machine learning?

Er is geen ideale taal voor machine learning; elk werkt goed, afhankelijk van de situatie. Het is waar dat er niet slechts één machine learning-taal is die goed werkt. Bepaalde programmeertalen zijn echter ongetwijfeld meer geschikt dan andere voor machine learning-toepassingen. Afhankelijk van het soort zakelijke uitdagingen waaraan ze werken, kiezen veel machine learning-engineers een machine learning-taal.

Het maakt niet uit wat iemands persoonlijke voorkeuren zijn voor een bepaalde programmeertaal, we hebben de top vijf voor machine learning geschetst:

• Python 
• R Programmeertaal
• Java en JavaScript
• Julia
• LISPELEN

Conclusie

Bedrijven buiten de AI-sector, zoals die in de detailhandel, logistiek en transport, profiteren al van de verbeterde effectiviteit en het onbenutte potentieel van machine learning. Mensen hebben aanzienlijke veranderingen in hun levensstijl ondergaan als gevolg van machine learning-technologieën, waarop we sterk afhankelijk zijn. We gebruiken het allemaal, opzettelijk of onopzettelijk

Naast de bovengenoemde gevallen heeft machine learning zijn potentieel in een aantal andere contexten bewezen. Deel uw mening over machine learning en hoe het uw dagelijks leven heeft beïnvloed in de opmerkingen hieronder.