Сочинение на тему Исследования по машинному обучению

Обнаружение мошенничества в Интернете является одной из границ, которую машинное обучение берет на себя, пытаясь проанализировать незаконные онлайн-транзакции и предотвратить отмывание денег, например. PayPal. Это достигается с помощью набора инструментов, которые могут помочь сравнить миллионы происходящих транзакций и различить легальные и нелегальные транзакции.

Внедрение машинного обучения на смартфонах

Первый телефон был изготовлен Александром Грэмом в 1876 году, и к 1900 году он стал революционным устройством. Телефон использовался для основных услуг, таких как звонки и текстовые сообщения в конце 20-го века. С годами телефон превратился из обычного телефона в функциональный телефон, а затем в смартфон, который был представлен в 2000 году, то есть Sony Ericson R380. В свое время это была революционная идея, поскольку в ней был емкостный сенсорный экран, чего раньше никогда не было в телефоне.

С момента появления смартфона к нему присоединились многие компании, а именно Apple, Android и многие другие. Из-за спроса на новые функции индустрия смартфонов пытается превзойти друг друга и в процессе продавать больше. Это заставило компании, производящие телефон, вкладывать огромные средства в исследования и разработки, чтобы предлагать новые функции. Искусственный интеллект всегда был новой границей для телефона, но вычислительная мощность всегда была ограничением. Вычислительная мощность смартфона не может быть достаточной для обучения моделей, необходимых для обучения искусственному интеллекту. Обучение модели влечет за собой предоставление большого количества данных для этой модели, пока она не сможет распознать определенные данные. Это облагает налогом смартфон, который имеет низкую вычислительную мощность, поэтому обучение проводится на рабочей станции компьютера, и после этого оно переносится обратно на устройство через тензор потока.

Тензорный поток

Tensorflow – библиотека программного обеспечения с открытым исходным кодом для программирования потоков данных в широком спектре задач. Основными задачами являются его применение в нейронной сети, которая служит основой для обучения моделей данных. Он в основном используется Google в машинном обучении, с которым он предоставляет широкий спектр применения, например. Клавиатура Google, которая имеет интеллектуальный набор текста. Tensorflow – это легкая библиотека, которая идеально подходит для смартфонов.

В мае 2017 года Google выпустил расширенный FlowLite, основной целью которого является предоставление облегченных машинных обучаемых смартфонов на платформе Android (особенно Android 8.0 Oreo). Ядро часто поток запрограммирован на C ++

План исследования – это план методов и процедур, используемых при сборе и анализе переменной при проведении исследования. Следует рассмотреть конкретный подходящий вопрос для изучения в исследовательском проекте, а затем выбрать подходящий метод проведения исследования. Это важно для успешного освещения выделенных целей и завершения исследования. Данные исследования были собраны с помощью наблюдения участника, например, использование чувств как глаза, исследуя людей в целевой группе. Был также случай изучения более ранних записей об искусственном интеллекте, откуда у нас есть ценная информация, относящаяся к созданию этой технологии

Целевая аудитория – это люди, от которых я хочу получать информацию, а в моем случае – любой человек, у которого есть смартфон. Такие функции, как интеллектуальный ввод текста, который включает использование клавиатуры Google, будут легкой задачей.

Это также называется наблюдательным исследованием, и это метод получения оценочной информации, который подразумевает, что оценщик наблюдает за своим предметом по месту жительства и не меняет окружающую среду. Этот тип сбора данных используется вместе с другими процедурами сбора данных, например опрос, анкеты и т. Д.

Основная цель этого – оценить происходящий процесс поведения, событие или когда можно увидеть результаты. При наблюдении за субъектом не следует сообщать им о вашей цели, поскольку это может изменить наблюдение, и по этой причине субъект не должен знать об этом. Существует два типа прямого наблюдения: структурированное прямое наблюдение и неструктурированное прямое наблюдение. Структурированное прямое наблюдение используется, когда мы хотим получить стандартизированную информацию и получить количественные данные, тогда как неструктурированное прямое наблюдение включает в себя наблюдение за природными явлениями и получение качественных данных.

Это включает в себя наблюдение за функциями, предлагаемыми некоторыми смартфонами, от распознавания лиц на фотографиях до интеллектуального набора текста на клавиатурах. Когда кто-то использует клавиатуру Google, он узнает, что человек печатает шаблоны, и разбирает слова, которые он набирает, этот стажер хранит эти слова в базе данных, а затем воспроизводит их, когда пишет текст поста Facebook.

Онлайновый сбор данных был одним из основных методов исследования, использованных для получения этой информации. Отправка онлайн-интервью может быть сложной задачей с тех пор, как оценщик и участник никогда не встречались, и это очень затрудняет обмен личной информацией. Поэтому сначала нужно найти способы, которыми участник может вам доверять и согласиться делиться этой информацией

По оценкам, более 80% всех домашних хозяйств в Соединенных Штатах сейчас имеют компьютеры в своем доме, и из них почти 92% имеют доступ к Интернету. Поскольку компьютеры стали более распространенными в американском обществе, следующее естественное продвижение в общении было через Интернет. Эта растущая тенденция обусловлена ​​изобретением смартфонов. Функциональные возможности смартфонов сегодня являются основной точкой продаж, т. Е. Тот, кто опережает другой с точки зрения предоставления более качественных функций, которые клиент желает и может использовать для такого смартфона, чем он / она берет день.

Apple, технологическая компания, является ведущим конкурентом в этой области. Каждый год она выпускает новинки с гаджетами, которые впечатлили всех, и это создало группу яблочных роялистов.

Они готовы потратить более 1000 долларов на смартфон.

Последние инновации компании основаны на машинном обучении для обеспечения безопасности ее яркого iPhone x. Инновация не могла бы произойти без машинного обучения, независимо от того, сколько вы кодируете, то есть управляющий оператор, методы, API, это невозможно. Машинное обучение – это обучение компьютера мыслить как личность без явного его кодирования. Затем это потребовало бы обучения модели, показав ей много данных, и позже она могла бы делать предположения об этих конкретных данных. представьте, как вы можете написать программу, которая различает яблоко и апельсин, можно утверждать, что вы можете сказать, что яблоко – это яблоко между красным и бордовым, а оранжевый – желтым, и поэтому вы можете разработать программу, которая анализирует пиксель на этих изображениях и если цвет совпадает с желтым. Это может быть правдой, но что если программа заполняется черно-белыми фотографиями, то программа не может определить. Вот где начинается машинное обучение, и, обучая модель, она может сделайте довольно близкое предположение о черно-белом изображении яблока и апельсина, так как оно было обучено с использованием широкого диапазона данных, например черно-белые фотографии яблок и апельсинов, формы яблок и многое другое.

Использование Apple в машинном обучении было проинформировано об идентификаторе лица, при котором телефон испортит ваше лицо, когда вы захотите разблокировать его и сравнить с сохраненной сеткой в ​​телефоне, и если он совпадет, это разблокирует телефон. Проблема в том, что с помощью идентификатора лица человек может просто сфотографировать ваше лицо, и телефон разблокируется. Таким образом, они пришли с системой, которая будет проецировать точки на вашем лице, и камера, использующая эти точки, сможет создать трехмерную сетку вашего лица, а с помощью машинного обучения многие ваши черты лица будут взяты для сравнения, и модель сможет догадаться, что это был фактический человек, близкий к вероятности миллион к одному. Это позволило даже разблокировать телефон, надев очки, много косметики или изменив внешний вид, отрастив бороду.

Возможности машинного обучения безграничны, пока вычислительная мощность смартфона сохраняется. Apple пришлось разработать чип Fusion A11 (самый мощный чип в смартфоне на сегодняшний день), чтобы удовлетворить такие вычислительные требования, которые требуются смартфону для тренировки моделей лица.

Суть в том, что все, что связано с машинным обучением и искусственным интеллектом, относится к задачам для смартфонов с этой даты, но, поскольку компании продолжают вводить новшества и придумывать более совершенную архитектуру ЦП и ГП, эта задача будет работать гладко и даже откроет новые границы в этой конкретной области.