Gépi tanulás a Neosentec gesztusfelismeréshez
Megjelent 2017.02.22
Beszél valamiről gépi tanulás vagy gépi tanulás Ma még valami furcsa és sok ismeretlen dolog lehet, de az az igazság, hogy jobban jelen van, mint gondolnánk. Naponta és öntudatlanul használjuk az internet böngészése, a közösségi hálózatokkal való konzultáció során, vagy akár a vásárlás során.
Mi a gépi tanulás?
A gépi tanulás egyfajta mesterséges intelligencia, amelyet azért fejlesztettek ki, hogy a számítógépes programok tanulhassanak a viselkedésünkből és a technológiák használatából. Így javul a felhasználói élmény, sőt új segédprogramok vagy szolgáltatások is javasolhatók.
Ez a rendszer érzékeli a viselkedésmintákat, és a programot a felhasználó igényeihez igazítja. Az egyik legismertebb példa a Facebook, amely a gépi tanulás segítségével érzékeli a felhasználót, és érdeklődését kínálja a falon. De ez egy lépéssel tovább léphet, amint ezt a bejegyzésben elmagyarázzuk, és megtanuljuk a rendszert megtanulni felismerni bizonyos mozdulatokat vagy gesztusokat, és ezáltal létrehozni egy új kommunikációs rendszert, ahol a gesztus a személy és a gép közötti nyelv.
Ebben a kis videóban megnézheti, hogyan hajtottuk végre az alábbiakban ismertetett teljes folyamatot:
Miért olyan népszerű a gépi tanulás?
Most van adatunk
Ahhoz, hogy a gépi tanulás valóban hatékony legyen, nagy mennyiségű adatra van szükség és minőségi. Néha nehezebb megszerezni ezeket az adatokat, mint magát az algoritmust modellezni.
A Big Data kihasználásával, ahol a lehető legtöbb információt tároljuk a szűrt és releváns adatok feldolgozásához és kinyeréséhez, a gépi tanulás gyorsan fejlődhet.
"Nem az nyer, aki rendelkezik a legjobb algoritmussal, hanem az, akinek a legtöbb adata van"
Megfelelő és jól strukturált adatok esetén nem szükséges a legjobb algoritmust használni, a végső pontosság csak tizedeket váltana.
Most felhőalapú számítástechnikával rendelkezünk
Az egyik fő oka annak, hogy a gépi tanulás korábban lefogyott, annak magas számítási költsége volt.
Tudjuk, hogy az eredmény hatékonysága érdekében nagy adatkészletet kell használni, amelyen főként mátrixszorzókat hajtanak végre, hogy az adatok illeszkedjenek egy adott betanítandó modellhez.
A berendezés képességei azonban mind a feldolgozásban, mind a memóriában korlátozottak, ami azt jelentette, hogy más számítási szempontból könnyebb alternatívákat kerestek. Ma ez már nem jelent problémát, mivel számos olyan felhőszolgáltatás létezik, amelyek lehetővé teszik, hogy hatalmas mennyiségű adattal dolgozzon és percek alatt végezze el a feldolgozást, ami több ezer évig is eltarthat egyetlen hagyományos számítógépen.