Машинное обучение может показаться сложной концепцией для изучения и применения, но при правильном построении и понимании процесса и алгоритмов оно может быть интересным, полезным и увлекательным. Давайте изучим цены на квартиры в городе.
Предположим, вы ищете новую квартиру. Вы разговариваете с друзьями и семьей и ищете в Интернете квартиры в городе. Вы замечаете, что квартиры в разных районах стоят по-разному.
Двухкомнатная квартира в центре города (недалеко от работы) стоит 5000 долларов в месяц. Трехкомнатная квартира в центре города стоит 7000 долларов в месяц. Квартира с одной спальней за пределами центра города, куда нужно будет ездить на работу, стоит 3000 долларов в месяц.
Вы замечаете некоторые закономерности. Квартиры в центре города самые дорогие и обычно стоят от 5000 до 7000 долларов в месяц. Квартиры за городом дешевле. Увеличение количества комнат добавляет от 1500 до 2000 долларов в месяц.
Этот пример показывает, как мы используем данные для поиска закономерностей и принятия решений. Если вы встретите трехкомнатную квартиру в центре города с гаражом, разумно предположить, что цена будет около 8000 долларов в месяц.
Машинное обучение направлено на поиск закономерностей в данных для полезных приложений в реальном мире. Мы могли бы обнаружить закономерность в этом небольшом наборе данных, но машинное обучение выявляет их для нас в больших и сложных наборах данных.
Если вас интересуют более подробные сведения об алгоритмах ML, см. Grokking AI Algorithms with Manning Publications: http://bit.ly/gaia-book, рассмотрите возможность подписаться на меня — @RishalHurbans или присоединитесь к моему списку рассылки для нечастых капли знаний: https://rhurbans.com/subscribe.
