Článek
Ano, je tam otazník. Protože začít někde musíme - ale kde?
Řekněme, že definicí ML - machine learningu - je to technika objevující předtím neznámé vzory - vztahy - závislosti a pod. v datech.
ML automaticky prohledává potencionálně velké objemy dat, aby objevil vzory a trendy které jdou za jednoduché statistické analýzy a to za použití sofistikovaných algoritmů identifikujících vzory v data vytvářejících modelech. Tady se na chvilku zastavme - jsou ty definice opravdu nezbytné? A jsou správné, nebo - nejsou náhodou k dispozici lepší? Odpověď nalezneme ve vlastním pochopení základních bloků ze kterých se ML a statistika skládají a často budeme děkovat základní škole že nás naučila něco co se nám tehdy zdálo jako jenom - musím se to naučit. Teď nastal ten čas, kdy to změníme na cenné informace.
Tak tedy pokračujme - modely ML můžou být použity na vytvoření předpovědí - znovu opakuji čekoholiv - výhledů a kategorizaci dat.
Základními črtami tady jsou:
- automatické objevení vzorů
- předpovědi přavděpodobných - neboli doslova pravdě podobných - výhledů, výsledků
- vytvoření informace na základě které je možné konat
- schopnost analyzovat potenciálně velké objemy dat
ML může odpovědět na otázky, které nemohou být zodpovězeny tradičními deduktivními metodami a reportujícími technikami.
Tedy shrnuto - tenhle základ nám umožní pochopit, co vlastně chceme dělat, zkoumat a řešit. Tj. ujasnit si kategoriální aparát a pojmy a začít absorbovat nové. Klasická učebnice statistiky na které ML stojí má klidně i 1200 stran. Prostudovat ji i když ve vlastním jazyce - a pochopit trvá léta a většině lidí se to stejně nikdy nepovede. Tady pak nastupuje nová technologie která to studium už de facto udělala za nás a dokázala ho integrovat do jediného fungujícího prediktivního systému. A hlavní trumf ML - já to udělám za vás a ukáži vám souvislosti o kterých jste ani netušili.
