Uczenie maszynowe nie tylko dla programistów. Praktyczny przewodnik po systemach uczenia maszynowego z wykorzystaniem Azure Machine Learning Studio.

Niektórych problemów nie potrafimy rozwiązać w sposób algorytmiczny. Przykładem może być rozpoznawanie obrazów — wciąż nie potrafimy w ścisły sposób opisać, jak ten proces zachodzi w mózgu człowieka, a nie znając algorytmu, nie możemy go zaimplementować w jakimkolwiek języku programowania. Nie oznacza to jednak, że nie potrafimy nauczyć komputer rozpoznawania obrazów. Próby algorytmicznego rozwiązania wielu innych problemów byłyby nie tylko bardzo skomplikowane, ale również wysoce nieskuteczne w praktyce. Przykładem problemów tego typu jest zagadnienie wykrywania możliwych oszustw popełnianych za pomocą kart kredytowych. Nawet po udanym zakodowaniu wszystkich reguł, na podstawie których transakcja powinna być sklasyfikowana jako próba oszustwa, otrzymalibyśmy niezwykle skomplikowany program. Co gorsza, reguły tego typu często się zmieniają, a więc chcąc, aby nasz program był skuteczny, musielibyśmy na bieżąco go aktualizować.

Rozwiązaniem tych problemów jest zastosowanie technik uczenia maszynowego – zamiast pisać programy, które będą realizowały poszczególne zadania, możemy użyć historycznych danych do nauczenia odpowiedniego algorytmu, np. sieci neuronowych. Powstały w ten sposób model będzie odpowiadał na takie zapytania predykcyjne, jak “zidentyfikuj znajdujące się na obrazie obiekty”, “oceń ryzyko, że dana transakcja jest próbą oszustwa”, czy “zarekomenduj danemu użytkownikowi pięć towarów, które z największym prawdopodobieństwem go zainteresują”.

Celem szkolenia jest wspólne zbudowanie od zera kilku modeli uczenia maszynowego, w tym klasyfikatora, modelu regresji, rekomendera. Zaczynając od oceny danych, przez wybór odpowiedniego algorytmu uczenia maszynowego, po ocenę i poprawę jakości modeli, a skoczymy na opublikowaniu gotowego modelu jako usługi WWW.