머신 러닝 예제

기계 학습 알고리즘을 처음부터 작성하는 것은 두 가지 주요 이유로 훌륭한 학습 도구입니다. 클라우드 컴퓨팅, 지리적 매핑 및 기계 학습을 함께 사용하면 정말 흥미로운 일이 발생할 수 있습니다. 구글은 불법 조업을 방지하기 위해 AI와 위성 데이터를 사용하고 있습니다. 하루에 2,200만 개의 데이터 포인트가 생성되어 선박이 세계 수로에 있는 위치를 보여줍니다. Google 엔지니어들은 데이터에 머신 러닝을 적용했을 때 선박이 바다에 있는 이유를 파악할 수 있다는 것을 발견했습니다. 그들은 궁극적으로 낚시가 일어나고있는 곳을 보여주고 낚시가 불법으로 일어난 시기를 식별 할 수있는 글로벌 낚시 시계를 만들었습니다. 이 함수는 4차원으로 입력되며 다양한 다항식 용어를 사용합니다. 이 함수에 대한 일반 방정식을 파생하는 것은 중요한 과제입니다. 많은 최신 기계 학습 문제는 수백 개의 계수를 사용하여 예측을 구축하기 위해 수천 또는 수백만 개의 데이터 차원을 사용합니다. 유기체의 게놈이 어떻게 표현될지, 또는 50년 안에 기후가 어떻게 표현될지 예측하는 것은 그러한 복잡한 문제의 예입니다. 머신 러닝은 금융 및 금융 부문에서 많은 잠재력을 가지고 있습니다. 그것은 금융 서비스의 인기 뒤에 원동력입니다. 머신 러닝은 은행, 금융 기관이 현명한 결정을 내리는 데 도움이 될 수 있습니다.

머신 러닝은 금융 서비스가 계좌 폐쇄가 발생하기 전에 발견할 수 있도록 도와줍니다. 또한 고객의 지출 패턴을 추적할 수 있습니다. 기계 학습은 시장 분석을 수행할 수도 있습니다. 스마트 머신은 지출 패턴을 추적하도록 교육할 수 있습니다. 알고리즘은 경향을 쉽게 식별하고 실시간으로 반응할 수 있습니다. 인공 지능(AI)과 기계 학습(ML)을 사용했습니다. 전자는 컴퓨터가 경험에서 배우고 인간과 같은 작업을 수행 할 수 있게하며, 후자는 많은 양의 데이터를 관찰하고 통계 알고리즘을 사용하여 예측을 할 수 있습니다 . 프로그래밍할 수 있습니다.

이것이 Yelp가 그림 분류 기술을 처음 구현했을 때 몇 년 전에 기계 학습으로 전환한 이유입니다. Yelp의 기계 학습 알고리즘은 회사의 직원들이 이미지를 보다 효율적으로 컴파일, 분류 및 라벨링하는 데 도움이 되며, 수천만 장의 사진을 처리할 때 는 작은 위업이 없습니다. 기계 학습 알고리즘을 기반으로 구축된 지능형 시스템에는 과거의 경험이나 과거 데이터에서 배울 수 있는 기능이 있습니다. 기계 학습 응용 프로그램은 과거의 경험을 바탕으로 결과를 제공합니다. 이 기사에서는 기계 학습이 오늘날의 아이디어를 실현하기 위해 더 나은 기술을 만드는 데 어떻게 도움이 되는지에 대한 10가지 실제 사례에 대해 설명합니다. 구글은 2011 년 구글 브레인 프로젝트와 초기 진출에서 딥 러닝의 개척자 중 하나입니다. Google은 먼저 이미지 인식에 딥 러닝을 사용했으며 이제 이미지 향상에 사용할 수 있습니다. 또한 Google은 딥 러닝을 언어 처리에 적용하고 YouTube에서 콘텐츠를 스트리밍할 때 시청자의 습관과 선호도를 연구하기 때문에 YouTube에서 더 나은 동영상 추천을 제공합니다.

다음으로, 구글의 자율 주행 자동차 사업부는 딥 러닝을 활용합니다. 또한 Google은 머신 러닝을 사용하여 데이터 센터에서 하드웨어및 쿨러의 올바른 구성을 파악하여 작동을 유지하기 위해 소비되는 에너지의 양을 줄입니다. AI와 머신 러닝은 Google이 새로운 지속 가능성 의 길을 열어주었습니다. 이 기사는 스탠포드 교수 앤드류 Ng 가 그의 자유롭고 개방적인 기계 학습 과정에서 가르친 자료에 크게 그립니다. 이 과정은이 문서에서 논의 된 모든 것을 깊이 다루며 ML 실무자를위한 실용적인 조언을 제공합니다. 나는이 매혹적인 분야를 더 탐험하는 데 관심이있는 사람들에게이 코스를 매우 추천 할 수 없습니다. AI와 딥 러닝은 Infervision에 의해 생명을 구하는 데 사용되고 있습니다.

2nd August 2019 Uncategorized