Mashinalıq oqıtıw (ML) degen ne

Mashinalıq oqıtıw (ML) degen ne?

Búgingi kúnde kárxanalar maǵlıwmatlarǵa tolı. Jaqsıraq biznes sheshimlerdi qabıl etiw ushın, olar bunı túsiniw kerek. Biraq, maǵlıwmatlardıń kópligi hám quramalılıǵı sebepli, dástúrli qurallar járdeminde olardı tallaw qıyın. Maǵlıwmatlardan nızamlılıqlardı hám túsiniklerdi anıqlaw ushın analitikalıq modellerin qurıw, sınaw, qayta islew hám ámelge asırıw xızmetkerlerdiń waqtın kóp talap etedi. Mashinalıq oqıtıw shólkemge maǵlıwmatlar kóbeygende tez túsinik alıw imkaniyatın bere aladı.

Mashinalıq oqıtıwdıń anıqlaması

Mashinalıq oqıtıw - bul jasalma intellekttiń bir bólimi bolıp, neyron torları hám tereń oqıtıwdı qollanıp, úlken kólemdegi maǵlıwmatlardı kirgizip, arnawlı programmalastırılmastan, óz betinshe úyreniw hám jetilistiriw imkaniyatın beretuǵın sistema.

Mashinalıq oqıtıw kompyuter sistemalarına kóbirek "tájiriybe" toplaǵan sayın úzliksiz túrde ózin dúzetiw hám jetilistiriw imkaniyatın beredi. Solay etip, bul sistemalardıń islewi qayta isleniwi kerek bolǵan úlken hám hár túrli maǵlıwmatlar toplamların beriw arqalı jaqsılanıwı múmkin.

Qollanıw tarawları

Mashinalıq oqıtıw derlik barlıq sanaat hám biznes iskerligi tarawlarında qollanılmaqta. Mashinalıq oqıtıw logistika tarawına jetkerip beriw hám jóneltiw baǵdarların optimallastırıwda, bólshek sawda tarawına satıp alıw tájiriybesin jekelestiriw hám inventardı basqarıwda, óndiriwshilerge zavodlardı avtomatlastırıwda járdem beredi hám hámme jerde shólkemlerdi qorǵawǵa járdem beredi. Adam smartfonı yamasa dinamigi arqalı ses penen soraw bergende, mashinalıq oqıtıw sorawdı túsiniw hám nátiyje tabıwǵa járdem beriw ushın qollanıladı. Mashinalıq oqıtıwdı qollanıw tarawları keń hám úziliksiz keńeymekte.

Mashinalıq oqıtıwdıń áhmiyeti

Maǵlıwmatlar payda bolıw tezligi kún sayın artıp barmaqta. Dúnya hár kúni óziniń pútkil tariyxındaǵıdan kóbirek maǵlıwmat jaratpaqta. Mashinalıq oqıtıwsız bul maǵlıwmatlardıń barlıǵın tallaw hám paydalanıw derlik múmkin emes bolar edi. Solay etip, mashinalıq oqıtıw adamlardıń kompyuterler hám basqa mashinalar menen islew imkaniyatlarınıń pútkil jańa tarawın ashpaqta. Mashinalıq oqıtıw bizneslerge aldaw ótirikti anıqlaw, qáwipsizlik qáwipqáterlerdi anıqlaw, jekelestiriw hám usınıslar beriw, chatbotlar arqalı avtomatlastırılǵan klient xızmetı, kóshirip jazıw hám awdarıw, maǵlıwmatlardı tallaw hám basqalar sıyaqlı áhmiyetli wazıypalarda járdem beredi. Mashinalıq oqıtıw avtonomlı kólikler, dronlar hám samolyotlar, tolıqtırılǵan hám virtual reallıq, robotexnika sıyaqlı keleshektiń qızıqlı innovaciyaların da rawajlandırmaqta.

Mashinalıq oqıtıw, jasalma intellekt hám tereń oqıtıw arasındaǵı ayırmashılıq nede?

Jasalma intellekt (JI) hám mashinalıq oqıtıw (MO) kóbinese birdey mániste qollanılsa da, olar bir-birin tolıq almaspaytuǵın túsinikler emes.

Jasalma intellekt - bul kompyuter ilimniniń adamǵa uqsap oylaw, úyreniw hám háreketlene alatuǵın kompyuterler menen mashinalar qurıw, yamasa adamlar tallawı múmkin bolǵan kólemnen asıp ketetuǵın maǵlıwmatlar menen isleytuǵın sistemalar menen baylanıslı tarawı. Bul tarawǵa maǵlıwmatlardı tallaw, statistika, apparat hám programmalıq támiyinlew, neyroilim, hátte filosofiya sıyaqlı kóp túrli pánler kiredi.

Jasalma intellekt kompyuter ilimniniń keń kategoriyası bolsa, mashinalıq oqıtıw - bul mashinalarǵa arnawlı programmalastırılmastan wazıypalardı orınlaw ushın úyretiw menen

baylanıslı JI qollanılıwı. Mashinalıq oqıtıw neyron torları, baqlawlı hám baqlawsız úyreniw, sheshim terekleri hám sızıqlı regressiya sıyaqlı usıllar arqalı maǵlıwmatlardan bilim alıw quralı sıpatında anıq qollanıladı.

Mashinalıq oqıtıw jasalma intellekttiń bir bólimi bolǵanı sıyaqlı, tereń oqıtıw mashinalıq oqıtıwdıń bir bólimi bolıp tabıladı. Tereń oqıtıw maǵlıwmatlar toplamları boyınsha neyron torların úyretiw arqalı isledi. Neyron torı - bul maǵlıwmatlardı klassifikaciyalaw hám tallaw ushın qollanılatuǵın esaplaw túyinleri bolǵan jasalma neyronlar sistemasın qollanıwshı model. Maǵlıwmatlar neyron torınıń birinshi qatlamına kirgiziledi, hár bir túyin sheshim qabıl etedi, keyin bul maǵlıwmatlardı keyingi qatlamdaǵı bir neshe túyinge ótkeredi. Úshten artıq qatlamı menen úyretiletuǵın modeller "tereń neyron torları" yamasa "tereń oqıtıw" dep ataladı. Házirgi neyron torlarınıń júzlegen yamasa mıńlaǵan qatlamları bar.

Mashinalıq oqıtıw qalay isledi?

Mashinalıq oqıtıw nızamlıqtı anıqlaw yamasa obyektti tanıw sıyaqlı kútilgen nátiyjeleniw ushın algoritmlerdi maǵlıwmatlar toplamları menen úyretiw arqalı isledi. Mashinalıq oqıtıw - bul modeldi úyretiw maǵlıwmatları tiykarında durıs juwap boljay alatuǵınday etip optimallastırıw procesi.

Úyretiw maǵlıwmatlarınıń sapası joqarı bolǵan jaǵdayda, mashinalıq oqıtıw algoritmi qanshelli kóp úyretiw úlgilerin alsa, model sonshelli anıq boladı. Algoritm úyretiw waqtında modeldi maǵlıwmatlarǵa ılayıqlastıradı, bul "ılayıqlastırıw procesi" dep ataladı. Eger nátiyje kútilgen nátiyje menen sáykes kelmese, algoritm anıq juwaptı shıǵarǵansha qayta-qayta úyretiledi. Tiykarında, algoritm maǵlıwmatlardan úyrenedi hám kiris hám juwap sızıq, klaster yamasa basqa statistikalıq baylanıs penen sáykes keliwine qarap nátiyjelenge erisedi.

Mashinalıq oqıtıw túrleri

Mashinalıq oqıtıwdaǵı úyretiw maǵlıwmatları nelerden ibarat? Bul qollanılatuǵın mashinalıq oqıtıw modeliniń túrine baylanıslı.

Ulıwma alǵanda, mashinalıq oqıtıwda úsh túrli model qollanıladı.

Baqlawlı úyreniw - bul belgili bir ózgeshelikti belgi menen baylanıstırıw ushın belgili úyretiw maǵlıwmatların (strukturalanǵan maǵlıwmatlar) qollanıwshı mashinalıq oqıtıw modeli. Baqlawlı úyreniwde nátiyje málim (mısalı, almanıń súwretin tanıw) hám model málim nátiyje maǵlıwmatları menen úyretiledi. Ápiwayı tilden aytqanda, algoritmge alma súwretlerin tanıwdı úyretiw ushın, oǵan alma dep belgilengen súwretler beriledi.

Házirgi kúnde eń kóp qollanılatuǵın baqlawlı oqıtıw algoritmleri tómendegilerdi óz ishine aladı:

•Sızıqlı regressiya

•Polinomial regressiya

•K-jaqın qońsılar

•Naiv Bayes

•Sheshim aǵashları

Baqlawsız oqıtıw - bul nızamlılıqlardı úyreniw ushın belgisiz maǵlıwmatlardı (strukturalanbaǵan maǵlıwmatlardı) qollanıwshı mashinalıq oqıtıw modeli. Baqlawlı oqıtıwdan ayırmashılıǵı, nátiyjeniń "durıslıǵı" aldın-ala belgili emes. Kerisinshe, algoritm adam qatnasısız maǵlıwmatlardan úyrenedi (sonlıqtan ol baqlawsız) hám olardı qásiyetlerine qaray toparlarǵa bóledi. Mısalı, eger algoritmge alma hám banan súwretleri berilse, ol qaysı súwrettiń alma

ekenin hám qaysısınıń banan ekenin ózi anıqlaydı. Baqlawsız oqıtıw táriyiplewshi modellew hám nızamlılıqlardı tabıwda jaqsı.

Házirgi kúnde eń kóp qollanılatuǵın baqlawsız oqıtıw algoritmleri tómendegilerdi óz ishine aladı:

•Anıq emes ortalıqlar

•K-ortalıqlar klasterlew

•Ierarxiyalıq klasterlew

•Yarım eń kishkene kvadratlar

Sonday-aq, tek ayırım maǵlıwmatlar belgili bolatuǵın yarım-baqlawlı oqıtıw dep atalatuǵın mashinalıq oqıtıwdıń aralaspa usılı da bar. Yarım-baqlawlı oqıtıwda algoritm belgili bir nátiyje alıw ushın maǵlıwmatlardı qalay shólkemlestiriw hám strukturalawdı ózi anıqlawı kerek. Mısalı, mashinalıq oqıtıw modeline nátiyje almurt ekenligi aytıladı, biraq tek ayırım oqıtıw maǵlıwmatları ǵana almurt dep belgilengen boladı.

Kúsheytiwshi oqıtıw - bul "qátelik hám sınaw" tájiriybeler arqalı "islep úyreniw" usılı menen táriyipleniwi múmkin bolǵan mashinalıq oqıtıw modeli. "Agent" belgilengen wazıypanı orınlaw ushın keri baylanıs dizbegi arqalı onıń kórsetkishleri qálewli shekke jetkeninshe úyrenedi. Agent wazıypanı jaqsı orınlaǵanda oń kúsheytiwdi aladı hám jaman orınlaǵanda teris kúsheytiwdi aladı. Kúsheytiwshi oqıtıwǵa mısal retinde Google izertlewshileriniń kúsheytiwshi oqıtıw algoritmine Go oyının úyretkeni keltiriliwi múmkin. Go oyınıń qaǵıydaları haqqında hesh qanday bilimge iye bolmaǵan model, tek ǵana taslarıdı qálegen jaqqa jıljıtıp, eń jaqsı júrislerdi "úyrendi". Algoritm oń hám teris kúsheytiwler arqalı úyretildi, nátiyjede mashinalıq oqıtıw modeli adamdı bul oyında jeńe alatuǵın dárejege jetti.

Mashinalıq oqıtıwdıń artıqmashlıqları

Nızamlılıqlardı tanıw

Mashinalıq oqıtıw algoritmi qansha kóp maǵlıwmat qabıl etse, sol maǵlıwmatlardaǵı tendenciyalar menen nızamlılıqlardı tabıwda sonsha jaqsı nátiyje beredi. Mısalı, elektron sawda saytı adamlardıń óz saytında qanday satıp alıw ádetlerin túsiniw ushın mashinalıq oqıtıwdı qollanıwı múmkin hám bul maǵlıwmattı adamlarǵa jaqsıraq usınıslar beriw yamasa jańa ónim múmkinshiliklerin ashıwǵa alıp keletuǵın tendenciya maǵlıwmatların tabıw ushın paydalanıwı múmkin.

Avtomatlastırıw

Mashinalıq oqıtıw hám jasalma intellekt adamlardıń zerigerli hám qıyın jumıslarınıń kóp bólegin alıp taslay aladı. Robotlastırılǵan proces avtomatizaciyası sıyaqlı qurallar adamlardı áhmiyetlirek jumıslar menen shuǵıllanıwına tosqınlıq qılatuǵın zerigerli biznes tapsırmaların orınlay aladı.

Kompyuter kóriwi hám obyektlerdi anıqlaw algoritmleri robotlarǵa konveyer lentasınan zatlardı alıw hám qaplaw jumısların atqarıwǵa járdem bere aladı. Bárqulla islewshi aldawshılıqtı anıqlaw hám qáwip-qáterdi bahalaw mashinalıq oqıtıw sistemaları qáwipsizlik kemshiliklerin olar máselege aylanbastan aldın taba aladı.

Úziliksiz jetilisiw

Durıs túrdegi maǵlıwmatlar berilgende, mashinalıq oqıtıw algoritmleri tezlik hám anıqlıq jaǵınan jetilisiwdi dawam etedi. Buǵan jaqsı mısal retinde GPT-3 maǵlıwmatlar toplamın keltiriw múmkin, ol tekst generaciyalaw usılların úziliksiz jaqsılap atır.

Mashinalıq oqıtıwdıń kemshilikleri Biyiklew potencialı

Mashinalıq oqıtıw kóbinese oǵan berilgen maǵlıwmatlardıń sapasına baylanıslı boladı. Eger mashinalıq oqıtıw algoritmine biyiklengen maǵlıwmatlar toplamı berilse, ol biyiklengen nátiyjelerin beredi.

Maǵlıwmat jıynaw

Mashinalıq oqıtıw paydalı bolıwı ushın kóp maǵlıwmat talap etiliwi múmkin. Kóp mashinalıq oqıtıw qollanıw jaǵdayları baqlawlı oqıtıwǵa tiykarlanatuǵın bolǵanlıqtan, algoritmlerdi úyretiw ushın strukturalanǵan maǵlıwmatlardı jıynaw hám tazalaw áhmiyetli birinshi adım bolıp tabıladı. Bul, eger maǵlıwmatlar shólkemlestiriw ishinde hár qıylı bóleklengen orınlarda jaylasqan bolsa, qıyın bolıwı múmkin.

Texnikalıq tájiriybe talap etiledi

Mashinalıq oqıtıw, jasalma intellekt hám bult xızmetlerin usınıwshılar mashinalıq oqıtıw algoritmlerin ornatıw hám isletiwdi múmkin bolǵanınsha ańsat etiwge háreket etse de, shólkemlestiriwlerge kóbinese programmalastırıw qánigeleri hám maǵlıwmatlar ilimpazları úyretiw algoritmlerin hám olardıń nátiyjelerin túsiniw hám paydalanıw ushın kerek boladı.

Resurslardı kóp talap etedi

Mashinalıq oqıtıw waqıttı kóp talap etiwi múmkin, maǵlıwmatlardı qayta islew hám nátiyje alıw ushın kóp esaplaw resursların hám xızmetkerler waqtın talap etedi.

Mashinalıq oqıtıwdıń qollanılıwı

Tómende mashinalıq oqıtıwdıń qollanılıw tarawlarına mısallar keltirilgen: Robotlastırılǵan proces avtomatizaciyası

RPA mashinalıq oqıtıw menen biriktirilgende, ipoteka ótinishlerin qayta islew sıyaqlı quramalı wazıypalardı avtomatlastırıwǵa qábiletli aqıllı avtomatizaciya payda boladı.

Satıwdı optimizaciyalaw

Tutınıwshı maǵlıwmatları tutınıwshı pikirin analiz etiw, satıw boljawın analiz etiw hám tutınıwshılardıń ketip qalıwın boljaw ushın mashinalıq oqıtıw algoritmlerin úyretiw ushın qollanıladı. Tutınıwshılarǵa xızmet kórsetiw

Mashinalıq oqıtıwdıń qollanılıwına chatbotlar hám avtomatlastırılǵan virtual járdemshiler kiredi, olar tutınıwshılarǵa xızmet kórsetiwdiń ádettegi wazıypaların avtomatlastırıw hám máselelerdi sheshiwdi tezlestiriw ushın qollanıladı.

Qáwipsizlik

Mashinalıq oqıtıw kárxanalardıń qáwip-qáterlerdi analiz etiw qábiletin hám kiber hújimlerge, xakerlerge hám zıyanlı programmalıq támiyinlewge qarsı háreketlerin jaqsılawǵa járdem beredi.

Cifrlı marketing

Mashinalıq oqıtıw marketologlarǵa jańa tutınıwshılardı anıqlaw hám durıs waqıtta durıs adamlarǵa durıs marketing materialların usınıw imkaniyatın beredi.

Aldawdıń aldın alıw

Mashinalıq oqıtıw kredit karta kompaniyaları hám banklerge úlken kólemdegi tranzakciya maǵlıwmatların qayta islep, gúmanlı háreketlerdi haqıyqıy waqıt rejiminde anıqlawǵa járdem beredi.

Baylanıslı ónimler hám xızmetler

Google kárxanalarǵa mashinalıq oqıtıw algoritmlerin hám modellerin ańsat qurıw hám ámelge asırıw imkaniyatın beretuǵın isenimli bult platformasında bir qansha innovaciyalıq mashinalıq oqıtıw ónimlerin, sheshimlerin hám qollanbaların usınadı.

What is Machine Learning (ML)?

Today’s enterprises are inundated with data. To drive better business decisions, they have to make sense of it. But the sheer volume coupled with complexity makes data difficult to analyze using traditional tools. Building, testing, iterating, and deploying analytical models for identifying patterns and insights in data eats up employees’ time in a way that scales poorly.

Machine learning can enable an organization to derive insights quickly as data scales. Machine learning defined

Machine learning is a subset of artificial intelligence that enables a system to autonomously learn and improve using neural networks and deep learning, without being explicitly programmed, by feeding it large amounts of data.

Machine learning allows computer systems to continuously adjust and enhance themselves as they accrue more “experiences.” Thus, the performance of these systems can be improved by providing larger and more varied datasets to be processed.

Scope of use cases

Machine learning is being used in nearly every industry and business activity. Machine learning helps the logistics industry optimize shipping and delivery routes, the retail industry personalize shopping experiences and manage inventory, manufacturers automate factories, and helps secure organizations everywhere. When a person uses their voice to query their smartphone or speaker, machine learning is used to understand the request, and to help find the result. The scope of use cases for machine learning is vast and constantly expanding.

Importance of machine learning

The rate of data generation is accelerating every day. The world is creating more data every day than it ever has in its history. It would be nearly impossible to analyze and utilize all that data without machine learning. As such, machine learning is opening an entirely new realm of what humans can do with computers and other machines. Machine learning helps businesses with important functions like fraud detection, identifying security threats, personalization and recommendations, automated customer service through chatbots, transcription and translation, data analysis, and more. Machine learning is also driving the exciting innovation of tomorrow, such as autonomous vehicles, drones, and airplanes, augmented and virtual reality, and robotics.

What is the difference between machine learning, artificial intelligence, and deep learning? While artificial intelligence (AI) and machine learning (ML) are often used synonymously, they are not interchangeable terms.

Artificial intelligence is an area of computer science concerned with building computers and machines that can reason, learn, and act in a way resembling human intelligence, or systems that involve data whose scale exceeds what humans can analyze. The field includes many different disciplines including data analytics, statistics, hardware and software engineering, neuroscience, and even philosophy.

Whereas artificial intelligence is a broad category of computer science, machine learning is an application of AI that involves training machines to execute a task without being specifically programmed for it. Machine learning is more explicitly used as a means to extract knowledge from data through techniques such as neural networks, supervised and unsupervised learning, decision trees, and linear regression.

Just as machine learning is a subset of artificial intelligence, deep learning is a subset of machine learning. Deep learning works by training neural networks on sets of data. A neural network is a model that uses a system of artificial neurons that are computational nodes used to classify and analyze data. Data is fed into the first layer of a neural network, with each node making a decision, and then passing that information onto multiple nodes in the next layer. Training

models with more than three layers are referred to as “deep neural networks” or “deep learning.”

Some modern neural networks have hundreds or thousands of layers.

How does machine learning work?

Machine learning works by training algorithms on sets of data to achieve an expected outcome such as identifying a pattern or recognizing an object. Machine learning is the process of optimizing the model so that it can predict the correct response based on the training data samples.

Assuming the training data is of high quality, the more training samples the machine learning algorithm receives, the more accurate the model will become. The algorithm fits the model to the data during training, in what is called the “fitting process.” If the outcome does not fit the expected outcome, the algorithm is re-trained again and again until it outputs the accurate response. In essence, the algorithm learns from the data and reaches outcomes based on whether the input and response fit with a line, cluster, or other statistical correlation.

Types of machine learning

What is training data in machine learning? It depends on the type of machine learning model being used.

In broad strokes, there are three kinds of models used in machine learning.

Supervised learning is a machine learning model that uses labeled training data (structured data) to map a specific feature to a label. In supervised learning, the output is known (such as recognizing a picture of an apple) and the model is trained on data of the known output. In simple terms, to train the algorithm to recognize pictures of apples, feed it pictures labeled as apples.

The most common supervised learning algorithms used today include:

Linear regression

Polynomial regression

K-nearest neighbors

Naive Bayes

Decision trees

Unsupervised learning is a machine learning model that uses unlabeled data (unstructured data) to learn patterns. Unlike supervised learning, the “correctness” of the output is not known ahead of time. Rather, the algorithm learns from the data without human input (and is thus, unsupervised) and categorizes it into groups based on attributes. For instance, if the algorithm is given pictures of apples and bananas, it will work by itself to categorize which picture is an apple and which is a banana. Unsupervised learning is good at descriptive modeling and pattern matching.

The most common unsupervised learning algorithms used today include:

Fuzzy means

K-means clustering

Hierarchical clustering

Partial least squares

There’s also a mixed approach to machine learning called semi-supervised learning in which only some data is labeled. In semi-supervised learning, the algorithm must figure out how to organize and structure the data to achieve a known result. For instance, the machine learning model is told that the result is a pear, but only some training data is labeled as a pear.

Reinforcement learning is a machine learning model that can be described as “learn by doing” through a series of trial and error experiments. An “agent” learns to perform a defined task through a feedback loop until its performance is within a desirable range. The agent receives

positive reinforcement when it performs the task well and negative reinforcement when it performs poorly. An example of reinforcement learning is when Google researchers taught a reinforcement learning algorithm to play the game Go. The model, which had no prior knowledge of the rules of Go, simply moved pieces at random and “learned” the best moves to make. The algorithm was trained via positive and negative reinforcement to the point that the machine learning model could beat a human player at the game.

Advantages of machine learning

Pattern recognition

The more data consumed by a machine learning algorithm, the better it gets in finding trends and patterns in that data. For instance, an ecommerce website might use machine learning to understand how people shop on their site and use that information to give people better recommendations or find trend data that can lead to new product opportunities.

Automation

Machine learning and artificial intelligence can take away much of the dull and dreary work from human workers. Utilities like robotic process automation can perform some of the tedious business tasks that keep people from performing more meaningful work. Computer vision and objection detection algorithms can help robots pick and pack items from an assembly line. Always-on fraud detection and threat-assessment machine learning can find security flaws before they become a problem.

Continuous improvement

Given the right kinds of data, machine learning algorithms will continue to improve to be faster and more accurate. A good example is the GPT-3 dataset that continues to improve how it generates text.

Disadvantages of machine learning

Bias potential

Machine learning is often only as good as the data it is being fed. If a machine learning algorithm is fed a biased dataset, it will deliver biased results.

Data acquisition

Machine learning can require a lot of data before it can be useful. As many machine learning use cases are based on supervised learning, acquiring and cleaning structured data to train the algorithms is an important first step, which can be difficult if data resides in a variety of siloed locations within an organization.

Technical expertise required

While machine learning, artificial intelligence, and cloud vendors try to make it as easy as possible to set up and run machine learning algorithms, organizations often need programmers and data scientists to understand and utilize the training algorithms and their results.

Resource intensive

Machine learning can be time consuming, requiring a lot of computing resources and employee hours to begin processing data and achieving results.

Machine learning uses

Here are some examples of what machine learning is used for: Robotic process automation

RPA combined with machine learning creates intelligent automation that’s capable of automating complex tasks, such as processing mortgage applications.

Sales optimization

Customer data can train machine learning algorithms for customer sentiment analysis, sales forecasting analysis, and customer churn predictions.

Customer service

Machine learning applications include chatbots and automated virtual assistants to automate routine customer service tasks and speed up issue resolution.

Security

Machine learning helps enterprises improve their threat analysis capabilities and how they respond to cyberattacks, hackers, and malware.

Digital marketing

Machine learning enables marketers to identify new customers and to offer the right marketing materials to the right people at the right time.

Fraud prevention

Machine learning helps credit card companies and banks review vast amounts of transactional data to identify suspicious activity in real time.

Related products and services

Google offers a number of innovative machine learning products, solutions, and applications on a trusted cloud platform that enables businesses to easily build and implement machine learning algorithms and models.

https://cloud.google.com/learn/what-is-machine-learning?hl=ru