10 sự thật thú vị về Machine Learning mà bạn nên biết

Machine Learning là việc tạo ra các thuật toán và hệ thống có thể học từ dữ liệu họ xử lý và phân tích. Càng nhiều dữ liệu được xử lý, thuật toán sẽ trở nên tốt hơn. Nó thực sự là một môn khoa học khiến máy tính xử lý mà không được lập trình rõ ràng và là một nhánh của Trí tuệ nhân tạo (AI).

Dưới đây là 10 sự thật thú vị về ML mà bạn có thể chưa biết:

1. News Feed của Facebook sử dụng ML để cá nhân hoá mỗi Feed của các thành viên

News Feed của Facebook sử dụng ML để cá nhân hóa từng nguồn cấp dữ liệu thành viên. Nếu một thành viên thường xuyên dừng cuộn để đọc hoặc đọc giống như một người bạn cụ thể trên các bài đăng của bạn, thì News Feed sẽ bắt đầu hiển thị nhiều hơn về hoạt động của bạn bè đó trước đó trong nguồn cấp dữ liệu. Đằng sau đó, phần mềm chỉ đơn giản là sử dụng phân tích thống kê và phân tích dự đoán để xác định các mẫu trong dữ liệu của người dùng và sử dụng cho các mẫu để điền vào News Feed. Nếu thành viên không còn dừng lại để đọc, thích hoặc bình luận trên các bài đăng của bạn bè, dữ liệu mới đó sẽ được đưa vào tập dữ liệu và News Feed sẽ điều chỉnh tương ứng.

2. Machine Learning bỏ qua kiến thức có từ trước

Kiến thức thực sự là kết quả của một quá trình dài lý luận và thử nghiệm, mà bạn có thể bắt chước bằng cách chạy một thuật toán chung trên cơ sở dữ liệu. Các chuyên gia trong các lĩnh vực khác nhau đã đầu tư nỗ lực đáng kể của con người để phát triển kiến thức nghiệp vụ. Các chuyên gia nghiệp vụ (Domain experts) thường tốt hơn máy trong việc đề xuất các tính năng giữ sức mạnh dự đoán. Do đó, các chuyên gia nghiệp vụ tạo thành một phần quan trọng trong việc xác định đầu vào cho hệ thống ML, từ đó kiến thức có sẵn có thể được trích xuất, mở rộng và tinh chỉnh.

3. Nhận dạng tiếng nói của công nghệ nhận dạng khuôn mặt gây tranh cãi bởi Siri của Apple hoặc Facebook, là những ví dụ tuyệt vời về sức mạnh của Machine Learning

Genuine learning là kết quả của một quá trình suy nghĩ và thử nghiệm lâu dài, mà bạn có thể mô phỏng bằng cách chạy một phép tính không có kết luận trên cơ sở dữ liệu. Và, điều này có thể được nhìn thấy khá rõ khi bạn tập trung vào công nghệ nhận dạng khuôn mặt gây tranh cãi của Apple Siri hoặc Facebook, sử dụng một thuật toán phi thường để làm việc và dựa vào các tác vụ và hoạt động của người dùng.

4. Các ngân hàng và các doanh nghiệp khác trong ngành tài chính sử dụng công nghệ của Machine Learning cho hai mục đích chính: xác định những hiểu biết quan trọng về dữ liệu và ngăn chặn gian lận

Những hiểu biết có thể xác định cơ hội đầu tư, hoặc giúp các nhà đầu tư biết khi nào nên giao dịch. Khai thác dữ liệu là một phần của ML cũng có thể xác định các khách hàng có hồ sơ rủi ro cao hoặc sử dụng giám sát không gian mạng để xác định các dấu hiệu cảnh báo về gian lận.

5. Học máy được áp dụng trong phần mềm dự báo thời tiết để cải thiện chất lượng dự báo.

Deep learning một nhánh của ML, là một trong những kỹ thuật đang thể hiện sự hứa hẹn trong lĩnh vực dự báo thời tiết. Deep learning cho phép các nhà nghiên cứu xử lý, phân tích và ban hành các tập dữ liệu cực lớn bằng cách tận dụng một loạt các thuật toán được đào tạo có thể học và đưa ra dự đoán dựa trên dữ liệu báo cáo thời tiết trong quá khứ.

6. Machine Learning, được tổ chức lại thành một lĩnh vực riêng biệt, bắt đầu phát triển vào những năm 1990

Machine Learning, được tổ chức lại thành một lĩnh vực riêng biệt, bắt đầu phát triển vào những năm 1990. Lĩnh vực này đã thay đổi mục tiêu từ đạt được trí thông minh nhân tạo sang giải quyết các vấn đề có thể giải quyết có tính chất thực tế. Nó chuyển trọng tâm ra khỏi các phương pháp biểu tượng mà nó được thừa hưởng từ AI, và hướng tới các phương pháp và mô hình mượn từ thống kê và lý thuyết xác suất. Nó cũng được hưởng lợi từ sự sẵn có ngày càng nhiều của thông tin số hóa và khả năng phân phối thông qua Internet

7. Machine Learning chỉ có thể khám phá mối tương quan, không phải mối quan hệ nhân quả

Trên thực tế, một trong những loại ML phổ biến nhất bao gồm thử các hành động khác nhau và quan sát hậu quả của chúng: bản chất của khám phá nguyên nhân. Ví dụ: một trang web thương mại điện tử có thể thử nhiều cách khác nhau để trình bày một sản phẩm và chọn một cách dẫn đến nhiều giao dịch mua nhất. Bạn có thể đã tham gia vào hàng ngàn thí nghiệm này mà không biết. Và các mối quan hệ nhân quả có thể được phát hiện ngay cả trong một số tình huống mà các thí nghiệm không được hỏi và tất cả các máy tính có thể làm là xem xét dữ liệu trong quá khứ.

8. Cách tiếp cận "dumb" của Machine Learning cuối cùng đã đánh bại các chuyên gia con người

Nghiên cứu trong nhiều lĩnh vực (như ngôn ngữ học / dịch thuật) trong 40 năm qua đã chỉ ra rằng các thuật toán học tập chung này mà khuấy động các phương pháp tiếp cận thực hiện số liệu mà người thực sự cố gắng đưa ra các quy tắc rõ ràng.

9. Machine Learning Saves Lives! Phần mềm Computer-Aided Detection (CAD) có thể phát hiện 52% tế bào ung thư vú, một năm trước khi bệnh nhân được chẩn đoán

Computer-aided detection (CADe) và diagnosis (CAD) đã là một lĩnh vực nghiên cứu tích cực, phát triển nhanh chóng trong hình ảnh y tế. ML đóng một vai trò thiết yếu trong CAD, bởi vì các đối tượng như tổn thương và các cơ quan có thể không được biểu diễn chính xác bằng một phương trình đơn giản. Do đó, nhận dạng mẫu y tế về cơ bản đòi hỏi phải học hỏi từ các ví dụ. Một trong những cách sử dụng ML phổ biến nhất là phân loại các đối tượng như thí sinh tổn thương thành các lớp nhất định (ví dụ, bất thường hoặc bình thường, và tổn thương hoặc không tổn thương) dựa trên đầu vào các đặc điểm (ví dụ, độ tương phản và diện tích) thu được từ các ứng cử viên tổn thương được phân đoạn.

10. Machine Learning kết hợp với tạo quy tắc ngôn ngữ giúp biết khách hàng đang nói gì về bạn trên twitter

ML cũng có thể được kết hợp với việc tạo ra các quy tắc ngôn ngữ. Ứng dụng này được Twitter triển khai, nơi bạn sẽ biết khách hàng nói gì về bạn.

Tham khảo

https://www.blogpoke.com/10-interesting-facts-about-machine-learning-you-should-know/