Это было прекрасное пятничное утро, и я был так рад своим выходным, особенно после долгой недели стресса. Я полагал, что любой согласится с тем, что пятница — один из лучших дней недели, в моем сообществе мы часто помечаем его как «день отдыха». Я, как обычно, оделась для делового дня в свой наряд с африканским принтом и соответствующие аксессуары, чтобы щеголять днем. Когда я просматривал новости на своей вкладке, второй заголовок прыгнул на меня, а мой горячий кофе пролился на мою сумку. Крик, вырвавшийся у меня изо рта, приветствовал мой водитель, который тут же спросил, что пошло не так. О, нет!!! это не может быть, было мое замечание, с постоянным повторением, которое заставило моего водителя жаждать узнать причину шума.
В течение многих лет проблемы отсутствия безопасности, особенно рост числа похищений и усыновлений школьников, вызывают большую тревогу. Это недавнее дело о пропаже школьников может быть не раскрыто, если не будет обеспечено срочное внимание или долгосрочное решение. Я считал, что для страны с большим населением более 10% населения будут дети. Это согласуется с исследованием, проведенным в Индии, согласно которому дети в возрасте до 6 лет составляют 13,12% от общей численности населения. Для любой страны безопасность и здоровье детей должны быть первостепенными.
Возможно, пора начать изучать возможности машинного обучения (МО) и внедрить его во все наши системы разработки, например, автоматическое распознавание лиц детей — полезный инструмент расследования, который может помочь идентифицировать пропавших детей (Вайшали Х. Камбл, 2022). В машинном обучении можно использовать многие классификаторы, но наивный байесовский метод лучше всего подходит для этой операции с самым высоким распознаванием лиц 97%. С моей точки зрения, термин «машинное обучение» (ML) часто рассматривается как инопланетное изобретение, возможно, потому, что мы еще не полностью разобрали его применение во всех повседневных задачах.
Машинное обучение (ML) — это подмножество искусственного интеллекта (ИИ), которое направлено на создание систем, которые обучаются или улучшают производительность на основе данных, которые они потребляют. Процесс может быть контролируемым или неконтролируемым - контролируемый процесс делится на классификации и регрессию, к которым наивный байесовский подход относится к категории классификации.
Наивный Байес, который также является теоремой Байеса, был назван в честь Томаса Байеса в 1700-х годах. Наивный Байес работает по принципу условной вероятности, как указано в теореме Байеса. Связь этой теоремы с машинным обучением заключается в том, что она является одним из классификаторов контролируемого обучения для машинного обучения. Классификатор — это модель машинного обучения, которая используется для различения различных объектов на основе определенных признаков, т. е. для прогнозирования, группировки и т. д., говоря простым языком. Наивный байесовский метод — это мера вероятности возникновения события при условии, что другое предположение, презумпция, утверждение или доказательство).
Как и любая другая теория, Байес предполагает, что каждая функция вносит независимый и равный вклад в результат. Преимущество наивного Байеса для моделирования заключается в том, что его очень легко использовать и понимать, он не требует большого количества обучающих данных, поэтому он может обрабатывать как непрерывные, так и дискретные данные. Наивный Байес хорошо масштабируется с некоторыми предикторами и точками данных, быстр и может использоваться для прогнозирования в реальном времени, будучи нечувствительным к несущественным функциям. Однако недостатком наивного байесовского метода является то, что он может столкнуться с «проблемой нулевой частоты», когда он присваивает нулевую вероятность категориальной переменной, категория которой в наборе тестовых данных не была доступна в наборе обучающих данных. Следовательно, его оценки в некоторых случаях могут быть ошибочными.
Различные типы наивных байесовских моделей: гауссовские (предполагает, что функции следуют нормальному распределению), полиномиальные (используются для дискретных подсчетов) и бернуллиевские (используются для двоичных векторов). Поэтому, когда вы используете некоторые приложения, которые запрашивают идентификацию лица и другие его функции (нос, рот, глаза и т. д.), или читаете прогноз погоды, новости в подзаголовке или ставите медицинский диагноз, знайте, что был применен наивный байесовский метод.
Правильное использование этого приложения решит некоторые неотложные проблемы безопасности в моей стране, такие как дело о пропавших школьниках и другие проблемы развития.
