Машинно обучение за разпознаване на жестове Neosentec
Публикувано на 22.02.2017
Говоря за машинно обучение или машинно обучение Днес все още може да е нещо любопитно и за много непознати, но истината е, че присъства повече, отколкото си мислим. Използваме го ежедневно и несъзнателно, докато сърфираме в интернет, когато се консултираме с нашите социални мрежи или дори когато правим покупката.
Какво е машинно обучение?
Машинното обучение е вид изкуствен интелект, разработен така, че компютърните програми да могат да се учат от нашето поведение и използване на технологии. По този начин потребителското изживяване се подобрява и дори могат да се предложат нови помощни програми или услуги.
Тази система открива модели на поведение и приспособява програмата към нуждите на потребителя. Един от най-известните примери е Facebook, който използва машинно обучение, за да открие какво интересува потребителя и да му предложи свързано съдържание на стената му. Но това може да се направи една крачка напред, както ще обясним в този пост, и ще накараме системата да се научи да разпознава специфични движения или жестове и по този начин да създаде нова система за комуникация, където жестът е езикът между човека и машината.
В това малко видео ще видите как сме извършили целия процес, който обясняваме по-долу:
Защо машинното обучение е толкова популярно?
Сега имаме данни
За да бъде машинното обучение наистина ефективно, то се нуждае от голямо количество данни и то е качествено. Понякога е по-трудно да се получат тези данни, отколкото да се моделира самият алгоритъм.
С използването на големи данни, където се съхранява възможно най-много информация за обработка и извличане на филтрирани и подходящи данни, машинното обучение може да се развие бързо.
„Печели не кой има най-добрия алгоритъм, а кой има най-много данни“
При достатъчно и добре структурирани данни не е необходимо да се използва най-добрият алгоритъм, крайната точност ще варира само десети.
Сега имаме облачни изчисления
Една от основните причини, поради които машинното обучение отслабваше в миналото, беше високата му изчислителна цена.
Знаем, че за да бъде резултатът ефективен, трябва да се използва голям набор от данни, върху който ще се извършват умножения на матрици главно, за да се напаснат данните към определен модел, който да се обучи.
Капацитетът на оборудването обаче е ограничен, както при обработката, така и в паметта, което означава, че са издирвани други изчислително по-леки алтернативи. Днес това вече не е проблем, тъй като съществуват множество облачни услуги, които ви позволяват да работите с огромни количества данни и да извършвате обработка за броени минути, което може да отнеме хиляди години на един конвенционален компютър.