Ang Machine Learning (ML) ay isang subfield ng Artificial Intelligence (AI) na nakatuon sa pagbuo ng mga algorithm at modelo na nagbibigay-daan sa mga computer na matuto at gumawa ng mga hula o desisyon nang hindi tahasang nakaprograma. Ang mga algorithm ng ML ay idinisenyo upang suriin at bigyang-kahulugan ang mga kumplikadong pattern at relasyon sa data, at pagkatapos ay gamitin ang kaalamang ito upang gumawa ng matalinong mga hula o gumawa ng mga aksyon.
Sa kaibuturan nito, ang ML ay nagsasangkot ng paglikha ng mga mathematical na modelo na maaaring matuto mula sa data at mapabuti ang kanilang pagganap sa paglipas ng panahon. Ang mga modelong ito ay sinanay gamit ang malalaking halaga ng may label na data, kung saan nalalaman ang nais na output o kinalabasan. Sa pamamagitan ng pagsusuri sa data na ito, matutukoy ng mga ML algorithm ang mga pattern at relasyon na nagbibigay-daan sa kanila na gawing pangkalahatan ang kanilang kaalaman at gumawa ng mga tumpak na hula sa bago at hindi nakikitang data.
Mayroong ilang mga uri ng ML algorithm, bawat isa ay may sarili nitong mga lakas at aplikasyon. Ang pinangangasiwaang pag-aaral ay isang pangkaraniwang diskarte kung saan ang algorithm ay sinanay gamit ang may label na data, ibig sabihin, ang nais na output ay ibinibigay kasama ng input data. Halimbawa, sa isang spam email classification system, ang algorithm ay sasanayin gamit ang isang dataset ng mga email na may label na alinman sa spam o hindi spam. Sa pamamagitan ng pagsusuri sa mga katangian ng mga email na ito, matututong makilala ng algorithm ang pagitan ng dalawang kategorya at pag-uri-uriin ang mga bago at hindi nakikitang mga email nang naaayon.
Ang unsupervised learning, sa kabilang banda, ay nagsasangkot ng mga algorithm ng pagsasanay sa walang label na data, kung saan ang nais na output ay hindi alam. Ang layunin ay upang matuklasan ang mga nakatagong pattern o istruktura sa data. Halimbawa, ang mga algorithm ng pag-cluster ay maaaring magpangkat ng magkatulad na mga punto ng data batay sa kanilang mga feature o katangian. Maaari itong maging kapaki-pakinabang sa pag-segment ng customer, kung saan matutukoy ng algorithm ang mga natatanging grupo ng mga customer na may magkakatulad na kagustuhan o gawi.
Ang isa pang mahalagang uri ng ML algorithm ay ang reinforcement learning. Sa diskarteng ito, natututo ang isang ahente na makipag-ugnayan sa isang kapaligiran at i-maximize ang signal ng reward sa pamamagitan ng paggawa ng mga aksyon. Ang ahente ay tumatanggap ng feedback sa anyo ng mga gantimpala o mga parusa batay sa mga aksyon nito, at ginagamit nito ang feedback na ito upang matutunan ang pinakamainam na patakaran o diskarte. Matagumpay na nailapat ang reinforcement learning sa iba't ibang domain, tulad ng robotics at paglalaro. Halimbawa, ang AlphaGo, na binuo ng DeepMind, ay gumamit ng reinforcement learning para talunin ang world champion na Go player.
Ang mga ML algorithm ay maaari ding ikategorya batay sa kanilang istilo ng pag-aaral. Kasama sa pag-aaral ng batch ang pagsasanay sa algorithm sa isang nakapirming dataset at pagkatapos ay paggamit ng natutunang modelo upang gumawa ng mga hula sa bagong data. Ang online na pag-aaral, sa kabilang banda, ay nagbibigay-daan sa algorithm na patuloy na i-update ang modelo nito habang nagiging available ang bagong data. Ito ay partikular na kapaki-pakinabang sa mga sitwasyon kung saan ang data ay dynamic at nagbabago sa paglipas ng panahon.
Ang ML ay may malawak na hanay ng mga aplikasyon sa iba't ibang industriya. Sa pangangalagang pangkalusugan, maaaring suriin ng mga algorithm ng ML ang mga medikal na larawan upang matukoy ang mga sakit o mahulaan ang mga resulta ng pasyente. Sa pananalapi, maaaring gamitin ang ML para sa pagtuklas ng pandaraya, paghula sa stock market, at pagmamarka ng kredito. Ginagamit din ang ML sa mga system ng rekomendasyon, tulad ng mga ginagamit ng mga online na retailer at mga serbisyo ng streaming, para i-personalize ang content at pagbutihin ang karanasan ng user.
Ang ML ay isang subfield ng AI na nakatuon sa pagbuo ng mga algorithm at modelo na maaaring matuto mula sa data at gumawa ng mga hula o desisyon. Kabilang dito ang mga modelo ng pagsasanay na gumagamit ng may label o walang label na data upang matukoy ang mga pattern at relasyon, na pagkatapos ay magagamit upang gumawa ng matalinong mga hula o gumawa ng mga aksyon. Ang ML ay may iba't ibang uri ng mga algorithm, kabilang ang pinangangasiwaan, hindi sinusubaybayan, at reinforcement na pag-aaral, bawat isa ay may sarili nitong mga lakas at aplikasyon. Ang ML ay nakahanap ng malawakang paggamit sa maraming industriya, na nagbibigay-daan sa mga pagsulong sa pangangalagang pangkalusugan, pananalapi, mga sistema ng rekomendasyon, at marami pang ibang domain.
Iba pang kamakailang mga tanong at sagot tungkol sa EITC/AI/GCML Google Cloud Machine Learning:
- Ano ang text to speech (TTS) at kung paano ito gumagana sa AI?
- Ano ang mga limitasyon sa pagtatrabaho sa malalaking dataset sa machine learning?
- Magagawa ba ng machine learning ang ilang dialogic na tulong?
- Ano ang TensorFlow playground?
- Ano ba talaga ang ibig sabihin ng mas malaking dataset?
- Ano ang ilang halimbawa ng mga hyperparameter ng algorithm?
- Ano ang pag-aaral ng ensemble?
- Paano kung ang napiling machine learning algorithm ay hindi angkop at paano makasigurado na piliin ang tama?
- Kailangan ba ng isang machine learning model ang pangangasiwa sa panahon ng pagsasanay nito?
- Ano ang mga pangunahing parameter na ginagamit sa mga algorithm na nakabatay sa neural network?
Tingnan ang higit pang mga tanong at sagot sa EITC/AI/GCML Google Cloud Machine Learning