Это связано с развитием Интернета. К 2010 году в Интернете в свободном доступе появилось очень много баз данных. И, плюс к этому, стало возможным данные просто парсить с разных сайтов. Например, стало возможным скачать из Интернета гигабайты фотографий человеческих лиц или изображений котиков.
После того, как у датасаентистов появилось много разных датасетов, было сделано огромное количество численных экспериментов по машинному обучению на реальных данных, а не на синтетических. Теория машинного обучения подверглась масштабной проверке, критике и существенному улучшению.
После этого машинное обучение оказалось на такой стадии, когда его уже можно было массово выводить из тихих ученых кабинетов в промышленность, бизнес и финансы. В результате, в прикладную область машинного обучения пошел финансовый поток инвестирования в объеме, который на порядки превышал инвестирование в эту область в 20-м веке.
Эксперт по оптимизации инвестиционного портфеля и прогнозированию биржевых цен.
Перейти на forecast.nanoquant.ru
Это связано с появлением видеоадаптеров с поддержкой параллельных вычислений CUDA и особенно библиотек CUDA Toolkit 3.0, а также замечательному наблюдению того, что параллельные вычисления большим количеством процессоров... Читать далее
1 эксперт согласен
В 2010-х годах наблюдался значительный рост развития библиотек машинного обучения, таких как scikit-learning и TensorFlow, что облегчило применение техник ML к реальным проблемам.
Говоря о конкретных технологиях, Python, CUDA и... Читать далее
Собственно, в части Science я никаких заметных подвижек с 90-х или даже 80-х годов не припомню. Сейчас разговор идёт о возможности хранить огромные объёмы данных, обрабатывать их и делать на этом деньги. Соответственно, вокруг... Читать далее