• Workearly team

Μάθε για το Machine Learning και ξεχώρισε στην αγορά !



To Machine Learning αποτελεί σύμπλεγμα διεργασιών, κατά το οποίο εφαρμόζεται και αξιοποιείται η τεχνητή νοημοσύνη (AI), ώστε τα υπολογιστικά συστήματα να μαθαίνουν και να εξελίσσονται βασιζόμενα σε δεδομένα.


Ο σκοπός του Machine Learning έγκειται στη δημιουργία υπολογιστικών προγραμμάτων που μέσω αλγορίθμων θα μπορούν να επεξεργάζονται δεδομένα, να μαθαίνουν αυτοματοποιημένα από αυτά και να προβαίνουν σε συμπεράσματα και προβλέψεις


Βασικός στόχος του, είναι ουσιαστικά να επιτρέψει στους υπολογιστές να μαθαίνουν χωρίς την ανθρώπινη παρέμβαση και να αποφασίζουν από μόνοι τους για τις κατάλληλες ενέργειες.


Το Machine Learning βασίζεται στην ύπαρξη δεδομένων και για πολλούς θεωρείται κομμάτι του Data Science. Εντοπίζεται σε πληθώρα πεδίων, όπως η ρομποτική, και είναι από τις πιο αναπτυσσόμενες και περιζήτητες πρακτικές στην αγορά της υψηλής τεχνολογίας.


Σε ένα αρχικό επίπεδο, θα μπορούσε να σκιαγραφηθεί μέσω των βημάτων που ακολουθούν. 

  • Input Data - Old Data: Το πρώτο στάδιο αφορά την εισαγωγή των δεδομένων (data). Τα Datasets μπορεί να διαφέρουν σε μορφή, οργάνωση και έκταση. Φυσικά μπορεί να είναι νέες βάσεις δεδομένων ή να προϋπάρχουν από δοκιμές και αναλύσεις.

  • Analyze Data: Το δεύτερο βήμα πραγματοποιείται από το σύστημα και περιλαμβάνει την ανάλυση των δεδομένων που έχουν εισαχθεί. 

  • Find Patterns: Μέσω της ανάλυσης, το σύστημα κατορθώνει να εντοπίζει μοτίβα μεταξύ των δεδομένων. Φυσικά τα μοτίβα αυτά διαφέρουν ανάλογα με τα δεδομένα και συνήθως αφορούν ιδιαίτερα γνωρίσματα, όπως για παράδειγμα το μέγεθος, το σχήμα, το χρώμα.

  • Prediction - Decision: Αφού ολοκληρωθεί ο εντοπισμός των μοτίβων, το σύστημα προβαίνει σε αποφάσεις ή προβλέψεις. Αυτές βασίζονται απόλυτα στην ανάλυση που έχει προηγηθεί. 



  • Learns from the Feedback: Οι διεργασίες του συστήματος έχουν ολοκληρωθεί και ακολουθεί το τελευταίο βήμα, η αξιολόγηση των αποφάσεων. Μέσω της αξιολόγησης το σύστημα μαθαίνεται και βελτιώνεται, ώστε αν υπάρχει κάποιο λάθος να μην επαναληφθεί. Όσο περισσότερο εκπαιδεύεται το σύστημα, τόσο πιο accurate καταλήγει. 

Ας δούμε αυτά τα βήματα στα πλαίσια ενός πραγματικού παραδείγματος, ώστε να γίνουν πιο κατανοητά. Οι περισσότεροι από εμάς παρακολουθούμε συστηματικά σειρές και ταινίες στο Netflix.


Ξέρουμε όμως ότι οι προτάσεις που μας γίνονται, αποτελούν αποφάσεις του συστήματος και πραγματοποιούνται μέσω του Machine Learning;

Οι ταινίες, οι σειρές, οι πληροφορίες που τις συνοδεύουν, και οι πληροφορίες χρήσης του κάθε user, αποτελούν τα data. Τα data αυτά αναλύονται ενδελεχώς και μέσω των αλγορίθμων που έχει αναπτύξει το Netflix, το σύστημα εντοπίζει μοτίβα. Για παράδειγμα δύο ταινίες μπορεί να ανήκουν στο ίδιο genre, να πρωταγωνιστεί ο ίδιος ηθοποιός, να έχουν παρόμοια διάρκεια. Επιτυγχάνεται μια ανάλυση των μοτίβων αυτών καθώς και των μοτίβων χρήσης του κάθε χρήστη, ώστε να καταλήξει το σύστημα σε προβλέψεις. Το προχωρημένο αυτό σύστημα, παρουσιάζει τις προβλέψεις του απευθείας στον τελικό χρήστη, ο οποίος έχει τη δυνατότητα να τις αξιολογήσει από τη στιγμή που επιλέγει το αν του άρεσε ή όχι. Έτσι το σύστημα εκπαιδεύεται και γίνεται διαρκώς καλύτερο και πιο αποδοτικό, προβαίνοντας στις σωστές προβλέψεις για τον κάθε χρήστη. 

Όπως ίσως σκεφτήκατε ήδη, υπάρχουν διαφορετικοί τρόποι εκπαίδευσης του συστήματος, που κατά βάση διαφέρουν στα βήματα που παρεμβαίνει ο άνθρωπος.



Οι μέθοδοι αυτοί πλαισιώνουν το Machine Learning και διαφαίνονται στην παρακάτω εικόνα:




  • Supervised: Η εκπαίδευση του συστήματος πραγματοποιείται υπό την επίβλεψη ανθρώπινου παράγοντα. Αυτό σημαίνει συνήθως πως το dataset έχει ήδη αναλυθεί σε ένα βαθμό από ανθρώπους, τα δεδομένα έχουν κατηγοριοποιηθεί και είναι γνωστά. Οι αποφάσεις δηλαδή είναι ήδη γνωστές. Για παράδειγμα το dataset μπορεί να εμπεριέχει το σχήμα της μπάλας για τα πιο γνωστά αθλήματα, όπως το ποδόσφαιρο, το μπάσκετ, το τένις, το γκολφ. Στόχος της εκπαίδευσης είναι να έρθει το σύστημα σε θέση να διακρίνει οποιαδήποτε μπάλα αναλύει στο μέλλον. 



  • Unsupervised: Η εκπαίδευση του συστήματος δεν γίνεται με κατηγοριοποιημένα datasets. Το σύστημα καλείται μέσω αλγορίθμων να δημιουργήσει clusters, ομάδες δεδομένων ανάλογα με τα μοτίβα που εντοπίζονται. Αυτή η μέθοδος δεν προαπαιτεί την επίβλεψη από ανθρώπινο παράγοντα για την εκτέλεση των διεργασιών. 

  • Semi-supervised: Μια ενδιάμεση κατάσταση του Supervised και του Unsupervised learning method. Χρησιμοποιούνται κατηγοριοποιημένα δεδομένα αλλά και δεδομένα που δεν έχουν υποστεί επεξεργασία από ανθρώπινο παράγοντα. Συνήθως εισάγεται μικρός αριθμός κατηγοριοποιημένων δεδομένων, ώστε να δοθούν κάποιες κατευθυντήριες γραμμές στο σύστημα και μεγάλος αριθμός μη κατηγοριοποιημένων data.

  • Reinforcement: Οι reinforcement αλγόριθμοι αλληλοεπιδρούν με το περιβάλλον στο οποίο εκτελούνται προβαίνοντας σε πολλαπλές ενέργειες και ανακαλύπτοντας λάθη. Παραπέμπει σε μέθοδο trial and error. Το σύστημα λειτουργεί αρκετά αυτοματοποιημένα, αλλά καθυστερεί να προβεί σε ασφαλή συμπεράσματα μέχρι να αποκλείσει τα λάθη. Βέβαια το μόνο που χρειάζεται είναι μια τυπική αξιολόγηση των σωστών επιλογών που πραγματοποιεί, καταλήγοντας ιδιαίτερα αποδοτική μέθοδος μετά από κάποιο διάστημα. 

Το Machine Learning χρησιμοποιείται από την πλειονότητα των κορυφαίων εταιρειών υψηλής τεχνολογίας και όχι μόνο. Αποτελεί ίσως την πιο αποδοτική μέθοδο αξιοποίησης πολυάριθμων δεδομένων. Τα συστήματα που έχουν αναπτυχθεί εκπαιδεύονται διαρκώς και από μόνα τους. Πολλά έχουν ήδη καταλήξει απίστευτα αποδοτικά για τις εταιρείες τους. Αδιαμφισβήτητα χρειάζεται χρόνος, resources και προσπάθεια για να φτάσουν σε σημείο να είναι αξιόπιστα.

Πρόκειται για ένα πεδίο που αξίζει την προσοχή κάποιου που θέλει να δραστηριοποιηθεί στην αγορά της υψηλής τεχνολογίας. Υπάρχει μεγάλη ζήτηση, που προβλέπουμε ότι θα αυξηθεί ακόμα περισσότερο στο μέλλον. Εμπεριέχει απαιτητικές τεχνικές και προαπαιτεί συγκεκριμένες γνώσεις και skills.


Αν ενδιαφέρεστε να ξεκινήσετε, θα χρειαστεί να αναπτύξετε συγκεκριμένες γνώσεις. Το πεδίο είναι ευρύ και κινδυνεύετε να χάσετε αρκετό χρόνο χωρίς να κερδίζετε ουσιώδεις γνώσεις. 


Μπορούμε να σας καθοδηγήσουμε στην προσπάθειά σας να αποκτήσετε το κατάλληλο υπόβαθρο, ώστε να μπορέσετε να ασχοληθείτε με το Machine Learning και να ξεχωρίσετε στην αγορά!


Αν έχεις τελειώσει κάποια σχολή των οικονομικών ή θετικών επιστημών (Οικονομικό , Μαθηματικό , χημικό κ.τλ) , αν προέρχεσαι από κάποιον άλλον εργασιακό χώρο , αν σου αρέσει το Data Science ή το Data Analytics και θέλεις να ασχοληθείς επαγγελματικά , μπορούμε να σε βοηθήσουμε να διεκδικήσεις τις καλύτερες ευκαιρίες καριέρας.


ΔΕΣ ΕΔΩ ΠΩΣ !

Επικοινώνησε μαζί μας και όλα τα υπόλοιπα τα αναλαμβάνουμε εμείς !

Θοδωρής Ζησιμόπουλος

Το workearly δημιουργήθηκε για να σε μετατρέψει γρήγορα και αποτελεσματικά από άπειρο νέο υποψήφιο στον απόλυτα ανταγωνιστικό επαγγελματία του software industry. Η φιλοσοφία μας βασίζεται στην ταχύτητα και την αποτελεσματικότητα. Μέσα από την πιό σύγχρονη και εξειδικευμένη μεθοδολογία που αναπτύξαμε, σύμφωνα με τα τελευταία trends της παγκόσμιας αγοράς, θα σε καθοδηγήσουμε να γίνε