Машинное обучение

Машинное обучение для всех

Качество решения задач методами машинного обучения во многом определяется выбранным алгоритмом, и хотя в открытом доступе имеется множество библиотек, при работе с платформой Intel наиболее эффективна библиотека DAAL, позволяющая оптимально использовать ресурсы оборудования для обучения моделей и вычисления предсказаний, а также для тренировки самых точных моделей.

Машинное обучение против фрода

Экспертные системы, применяемые для выявления подозрительных банковских транзакций, имеют ряд ограничений. Методы машинного обучения помогают снизить риски, связанные как с ошибочным обнаружением фрода, так и с пропуском реальных инцидентов мошенничества.

Семантические сети и обработка естественного языка

Машинное обучение вторглось в области, где до недавнего времени господствовали лишь семантические сети. Однако в задачах обработки естественного языка, построения инвентаря значений слов и связывания языковых ресурсов семантические сети по-прежнему позволяют достигать высокой точности.

Глубинное обучение для автоматической обработки текстов

Нейронные сети позволяют находить скрытые связи и закономерности в текстах, но эти связи не могут быть представлены в явном виде. Нейронные сети — пусть и мощный, но достаточно тривиальный инструмент, вызывающий скептицизм у компаний, разрабатывающих промышленные решения в области анализа данных, и у ведущих компьютерных лингвистов.

Новая парадигма взаимодействия людей и машин

По мере того как машинный интеллект приближается по общей эффективности к человеческому, ускорение динамики взаимодействия с машинами, скорее всего, заставит отказаться от нынешних интерфейсов их программирования.

Кластерный анализ против нештатных ситуаций

Неполадки в работе телекоммуникационной сети часто возникают в результате нештатных ситуаций, которые не вызывают нарушений и остаются незамеченными, что впоследствии может привести к ухудшению качества сервисов или к сбоям. Обнаружение таких ситуаций с помощью кластерного анализа дает возможность принимать превентивные меры, позволяющие исключить сбои.

Призрак Uber

В современном мире выживает не сильнейший, но быстрейший — интенсивные изменения окружающего мира могут угрожать любому бизнесу.

Машинное обучение для Больших Данных

Теоретические основы машинного обучения появились практически одновременно с первыми компьютерами, однако при его практическом применении всегда приходится учитывать специфику конкретных систем. Работа с Большими Данными средствами Hadoop требует инструментов адаптации алгоритмов машинного обучения к этой платформе, например с помощью механизмов из стека IBM BigInsights.

Машинное обучение для понимания естественного языка

Технологии обработки естественного языка сегодня шагнули далеко вперед, и немалая заслуга в этом принадлежит машинному обучению, применяемому, в частности, для понимания текстов.

Машинное обучение для планирования запросов

Рост объемов данных требует от СУБД увеличения производительности выполнения запросов. Оптимизация плана выполнения запроса с использованием средств машинного обучения позволяет в разы уменьшить время его обработки.

Автоматизация бизнеса эпохи цифровой трансформации

«Старожилам» рынков, чтобы выжить в условиях уберизации, пришлось спешно осуществлять цифровую трансформацию. На помощь им пришло новое поколение систем ведения бизнеса