기계학습 예제

BBC 프로젝트인 `토킹 위킹 위드 머신`은 청취자가 스마트 스피커를 통해 양방향 대화를 나눌 수 있는 오디오 드라마입니다. 청취자는 질문에 답하고 스토리에 자신의 대사를 삽입하라는 메시지를 표시하면서 이야기의 일부가 됩니다. 스마트 스피커 아마존 에코와 구글 홈을 위해 특별히 만든, BBC는 미래에 다른 음성 활성화 장치로 확장 할 것으로 예상. 2015년 Pinterest는 머신 러닝 기술(특히 콘텐츠 검색 및 추천 알고리즘)의 상용 응용 을 전문으로 하는 기계 학습 회사인 Kosei를 인수했습니다. 우리는 광범위한 산업 분야의 기업에서 10 개의 기계 학습 사례를 모아 혁신적인 제품과 서비스를 만드는 데 ML을 적용했습니다. 오버피팅은 기계 학습 알고리즘을 학습 데이터에 너무 밀접하게 집중하여 새 데이터를 올바르게 처리할 수 있을 만큼 일반화되지 않도록 하는 결과입니다. 이는 기계가 “잘못된 것을 학습”하고 새로운 데이터를 올바르게 해석할 수 없게 되는 예입니다. 위에서 공유한 예제를 제외하면 기계 학습이 그 잠재력을 입증하는 방법에는 여러 가지가 있습니다. 머신 러닝이 일상 생활을 어떻게 변화시키고 있는지 알려주시고 아래의 의견에 따라 귀하의 경험을 공유하십시오. 정보 추출은 기계 학습의 가장 좋은 응용 프로그램 중 하나입니다. 구조화되지 않은 데이터에서 구조화 된 정보를 추출하는 프로세스입니다. 예를 들어 웹 페이지, 아티클, 블로그, 비즈니스 보고서 및 전자 메일을 예로 들 수 있습니다. 관계형 데이터베이스는 정보 추출에 의해 생성된 출력을 유지 관리합니다.

추출 프로세스는 문서 집합을 입력으로 사용하여 구조화된 데이터를 출력합니다. 머신 러닝은 금융 및 금융 부문에서 많은 잠재력을 가지고 있습니다. 그것은 금융 서비스의 인기 뒤에 원동력입니다. 머신 러닝은 은행, 금융 기관이 현명한 결정을 내리는 데 도움이 될 수 있습니다. 머신 러닝은 금융 서비스가 계좌 폐쇄가 발생하기 전에 발견할 수 있도록 도와줍니다. 또한 고객의 지출 패턴을 추적할 수 있습니다. 기계 학습은 시장 분석을 수행할 수도 있습니다. 스마트 머신은 지출 패턴을 추적하도록 교육할 수 있습니다. 알고리즘은 경향을 쉽게 식별하고 실시간으로 반응할 수 있습니다. 이것이 Yelp가 그림 분류 기술을 처음 구현했을 때 몇 년 전에 기계 학습으로 전환한 이유입니다. Yelp의 기계 학습 알고리즘은 회사의 직원들이 이미지를 보다 효율적으로 컴파일, 분류 및 라벨링하는 데 도움이 되며, 수천만 장의 사진을 처리할 때 는 작은 위업이 없습니다.

초보자를 위한 8가지 재미있는 머신 러닝 프로젝트가 있습니다. 당신은 하나의 주말에 그들 중 하나만 완료하거나 당신이 그들을 즐길 경우 더 긴 프로젝트로 확장 할 수 있습니다. 구글은 2011 년 구글 브레인 프로젝트와 초기 진출에서 딥 러닝의 개척자 중 하나입니다. Google은 먼저 이미지 인식에 딥 러닝을 사용했으며 이제 이미지 향상에 사용할 수 있습니다. 또한 Google은 딥 러닝을 언어 처리에 적용하고 YouTube에서 콘텐츠를 스트리밍할 때 시청자의 습관과 선호도를 연구하기 때문에 YouTube에서 더 나은 동영상 추천을 제공합니다. 다음으로, 구글의 자율 주행 자동차 사업부는 딥 러닝을 활용합니다. 또한 Google은 머신 러닝을 사용하여 데이터 센터에서 하드웨어및 쿨러의 올바른 구성을 파악하여 작동을 유지하기 위해 소비되는 에너지의 양을 줄입니다.