Η μηχανική μάθηση απελευθερώνει συνεχώς τη δύναμή της σε ένα ευρύ φάσμα εφαρμογών. Για παράδειγμα, χρησιμοποιώντας μηχανική μάθηση μπορούμε να μιλάμε για self-driving, δηλαδή το μηχάνημα να οδηγεί και να λαμβάνει αποφάσεις μόνο του(π.χ. να στρίψει δεξιά για να αποφύγει το εμπόδιο, ή να πατήσει την γάτα). Με άλλα λόγια αναθέτουμε στα μηχανήματα να κάνουν ενέργειες -δραστηριότητες που θα έκανε ένας άνθρωπος.  Έχει ωθηθεί στο προσκήνιο τα τελευταία χρόνια εν μέρει λόγω της έλευσης των μαζικών δεδομένων. 

Στο σημείο αυτό κρίνεται σκόπιμο να γίνει αναφορά τί εννοούμε με τον όρο μαζικά δεδομένα – big data. Ο ορισμός των μαζικών δεδομένων είναι δεδομένα που περιέχουν μεγαλύτερη ποικιλία, φτάνοντας σε αυξανόμενους όγκους και με μεγαλύτερη ταχύτητα. Αυτό είναι επίσης γνωστό ως τα τρία Vs. Με απλά λόγια, τα μαζικά δεδομένα είναι μεγαλύτερα, πιο σύνθετα σύνολα δεδομένων. Αυτά τα σύνολα δεδομένων είναι τόσο ογκώδη που το παραδοσιακό λογισμικό επεξεργασίας δεδομένων απλά δεν μπορεί να τα διαχειριστεί. Αλλά αυτοί οι τεράστιοι όγκοι δεδομένων μπορούν να χρησιμοποιηθούν για την αντιμετώπιση επιχειρηματικών προβλημάτων που δεν θα μπορούσατε να αντιμετωπίσετε πριν.

Εικόνα που περιέχει κείμενο

Περιγραφή που δημιουργήθηκε αυτόματα

1.1 Η εικόνα σχετίζεται με τα μαζικά δεδομένα και λειτουργίες που σχετίζονται με αυτά.

Καταληκτικά, οι αλγόριθμοι ML δεν έχουν ποτέ υποσχεθεί καλύτερα αποτελέσματα. Τα μαζικά δεδομένα επιτρέπουν στους αλγορίθμους ML να αποκαλύπτουν πιο λεπτά μοτίβα και να κάνουν πιο έγκαιρες και ακριβείς προβλέψεις από ποτέ. Από την άλλη πλευρά, παρουσιάζει σημαντικές προκλήσεις για το ML, όπως η επεκτασιμότητα των μοντέλων και η κατανεμημένη πληροφορική.

1.2 Η εικόνα δείχνει τη δομή ενός νευρωνικού δικτύου, input layer – hidden layer – output layer. 

References:

Recommended Articles

Leave a Reply

Your email address will not be published.