Hogyan kezdje el a gépi tanulást?

Az embereknél okosabb gépeket tervező kísérletek nem újdonságok. Az egyik nagyon korai támadás, amelyet a számítógépes tudomány az emberi „intelligencia” ellen támadott, a sakkjáték. A sakkot sokan úgy gondolják (vagy kell mondanunk, hogy volt?) Az emberi értelem és a kreativitás végső próbájának, és az 1960-70-es években a számítógépes tudományban különböző gondolkodási iskolák léteztek..


Egyesek úgy vélik, hogy csak idő kérdése, mielőtt a számítógépek felülmúlják az embereket a sakk játékában, mások szerint ez soha nem fog megtörténni.

Kasparov vs Deep Blue

A gondolkodás csata során az ember és a gép közötti szenzációs esemény az 1996-os sakkmérkőzés volt az akkori világbajnok, Garry Kasparov (és vitathatatlanul a legjobb sakkjátékos) között, és Mélykék, egy szuperszámítógép, amelyet az IBM erre az eseményre tervezett.

Kép jóváírása: Wikipedia

A hosszú történetet lezárva: Kasparov meggyőzően megnyerte az 1996-os meccset (4-2), de sokkal közepette elvesztette az 1997-es rematóriumot (4,5-3,5). vita és Kasparov közvetlen csaló állításai az IBM ellen.

Ennek ellenére a sakk és a számítógépes tudomány korszaka véget ért. A számítógépek okosabbak voltak, mint bármely más élő ember. Az IBM, bosszúval elégedett, lebontotta a Deep Blue-t és továbbhaladt.

Manapság lehetetlen, hogy valamelyik nagymester legyőzze az árucikkekkel felszerelt szokásos sakkmotorokat.

Ami nem a gépi tanulás

Mielőtt alaposabban megvizsgálnánk a Gépi tanulást, engedjünk el néhány tévképzetet az útból. A gépi tanulás a képzelet semmiféle szakaszában nem kísérlet az emberi agy megismétlésére. Elon Musk kedvelőinek szenzációviszonyos meggyőződései ellenére a számítástechnikai kutatások azt állítják, hogy nem ezt a szent szemeket keresik, és természetesen sehol sem közelében vannak..

Egyszerűen fogalmazva: a gépi tanulás a példa alapján történő tanulás folyamatainak számítógépeken történő alkalmazásának gyakorlata. Ez ellentétben áll azzal a hagyományos megközelítéssel, hogy támaszkodik egy emberi programozóra, hogy minden lehetséges forgatókönyvet és a hard-code szabályokat egy rendszerbe gondoljon.

Őszintén szólva, ez arról szól, ami a gépi tanulás: tonna és tonna adat adagolása egy számítógépre, hogy a példákból tanulhasson (próba → hiba → összehasonlítás → fejlesztés), ahelyett, hogy a forráskódra támaszkodna.

Gépi tanulás alkalmazásai

Tehát, ha a gépi tanulás nem fekete mágia, és nem valami olyasmi, ami a Terminatorsokat hozza létre, akkor mi az?

A gépi tanulás segít azokban az esetekben, amikor a hagyományos programozás lassan esik le, és ezek az esetek általában a két kategória egyikébe esnek.

  1. Osztályozás
  2. jóslás

Ahogy a neve is sugallja, a besorolás a dolgok helyes címkézésével kapcsolatos, míg az Előrejelzés célja a jövőbeli előrejelzések helyesbítése, mivel a múltbeli értékek elég nagy adatsorral rendelkeznek.

Néhány érdekes alkalmazások a Machine Learning alábbiak:

Spam szűrés

Az e-mailek spamjei elterjedtek, de megállítani ezeket rémálom lehet. Csak hogyan határozza meg a spam? Meghatározott kulcsszavak jelenléte? Vagy talán úgy, ahogy van írva? Nehéz egy kimerítő szabálykészletet kidolgozni, a program szempontjából.

Ezért használjuk a Machine Learning-t. Több millió spam és nem spam üzenetet jelenítünk meg a rendszer számára, és hagyjuk, hogy a többiek kitalálják. Ez volt a Gmail hihetetlenül jó spamszűrőinek titka, amelyek a 2000-es évek elején rázta meg a személyes e-maileket!

ajánlások

Ma minden nagyobb e-kereskedelemmel foglalkozó cég rendelkezik hatékony ajánlórendszerekkel. Időnként hihetetlenül pontosak azok a képességeik, amelyek olyan dolgokat ajánlanak, amelyekben „esetleg” hasznosnak találunk, annak ellenére, hogy soha nem kattintottunk erre az elemre.

Véletlen egybeesés? Egyáltalán nem!

A gépi tanulás itt nehéz a munka, terabyte-os adatgyűjtést igényel, és megpróbálja megjósolni az ingadozó hangulatunkat és preferenciáinkat.

Chatbots

Találtál olyan első szintű ügyfélszolgálatot, amely furcsán robotnak tűnt és mégis képes volt érdekes apró beszélgetést folytatni?

Nos, akkor a gépek megtanultak!

Tanuljunk a beszélgetésekből és meghatározzuk, hogy mit mondjunk, a chatbot alkalmazás közelgő és izgalmas területe.

Gyom eltávolítás

A mezőgazdaságban a Machine Learning által működtetett robotokat gyomnövények és más nem kívánt növények permetezésére szokásos növényekkel permetezik.

Ezt egyébként kézzel kellene megtenni, vagy vadul pazarló lenne, mivel a rendszer a terméket a gyilkos folyadékkal is permetezi!

Hang Keresés

A számítógépes rendszerekkel történő hang alapú interakció már nem tudományos fantasztikus. Ma vannak olyan digitális asszisztensek, mint az Alexa, a Siri és a Google Home, amelyek szóbeli utasításokat tudnak venni, és nem zavarják össze (nos, szinte!).

Néhányan azt állíthatják, hogy ez egy találmány, amelyet legjobban el lehet kerülni, mivel ez az emberi fajt lazábbá teszi, mint valaha, de a hatékonysággal nem érvelhet. Például a Google I / O 2018-ban a vállalat a lenyűgöző demo amit kutatócsoportja bízott.

Orvosi diagnózis

Az orvosi diagnosztika forradalmának küszöbén állunk, mivel a gépi tanuláson alapuló rendszerek kezdik felülmúlni a tapasztalt orvosokat diagnózis röntgen révén stb.

Felhívjuk figyelmét, hogy ez nem azt jelenti, hogy hamarosan nincs szükség orvosokra, hanem hogy az orvosi ellátás minősége drámaian emelkedik, míg a költségek zuhannak (hacsak az üzleti kartellek másképp nem írják elő!).

Ez csak egy példa arra, hogy milyen gépi tanulást használnak. Önjáró autók, stratégiai játék-botok, póló-összecsukható gépek, captcha-törés, fekete-fehér képek színezése – manapság sok történik.

Gépi tanulás típusai

A gépi tanulási technikák kétféleek.

Felügyelt tanulás, amelyben a rendszert emberi megítélés irányítja, és Nem felügyelt tanulás, amelyben a rendszert magának kell megtanulnia. Másik módszer ugyanaznak a mondására az lenne, hogy a Felügyelt tanulásban van egy adatkészlet, amely tartalmazza mind a bemeneteket, mind a várt outputot, amelyeket a rendszer összehasonlításhoz és önkorrekcióhoz használ. A felügyelet nélküli tanulásban azonban nincs meglévő output, amelyet mérni lehetne, így az eredmények vadul változhatnak.

A felügyelet nélküli gépi tanulás izgalmas és csontozatos alkalmazása?

Ez olyan társasjáték lenne, amely társasjátékokat játszik, ahol a program megtanulja a játékszabályokat és a nyerési feltételeket, majd a saját eszközére hagyja. A program ezután milliónyi játékot játszik önmagával szemben, megtanulva a hibáit és megerősítve az előnyös döntéseket.

Ha elég nagy teljesítményű számítógépen dolgozik, néhány órán belül elkészítheti a világhírű AI játékot!

A következő képek tömören illusztrálják ezeket az ötleteket (forrás: közepes):

Források a gépi tanulás megkezdéséhez

Tehát, most, amikor mindannyian felszabadultak a Géptanulásról és arról, hogyan segíthet ez a világ meghódításában, hol kezdjem?

Az alábbiakban felsoroltam néhány fantasztikus forrást az interneten, amelyek segítenek a gépi tanulás folyékonyságában, anélkül, hogy Ph.D. a számítástechnikában! Ha nem Ön gépi tanulás kutatója, akkor a gépi tanulás tartománya ugyanolyan praktikus és élvezetes, mint általában a programozás..

Tehát ne aggódjon, függetlenül attól, hogy milyen szintű a jelenlegi szintje, mint egy jó Gépi tanulási program, taníthatja magát és még jobb is lehet. ��

Programozás

A gépi tanulásba való belépés első követelménye a programozás megtanulása. Ennek oka az, hogy a Machine Learning rendszerek könyvtárak formájában érkeznek a különböző programozási nyelvekhez.

A Python a legnépszerűbb, részben azért, mert hihetetlenül kellemes megtanulni, részben azért, mert hatalmas könyvtárakkal és erőforrásokkal rendelkezik.

Az hivatalos A Beginner’s Guide remek indulási hely, még akkor is, ha kissé ismeri a Python-ot. Vagy vegye ezt Bootcamp tanfolyam nulláról hősré válni.

Gondolj statisztikákra

Miután elkészítette a Python alapjait, második ajánlásom az lenne, hogy két hihetetlenül jó könyvet átolvasok. Ők 100% ingyenes és letölthető PDF formátumban. Gondolj statisztikákra és Gondolj Bayes-re két modern klasszikus, amelyet minden törekvő gépi tanulási mérnöknek internalizálnia kell.

Udemy

Ezen a ponton azt javaslom, hogy vegyen egy pár kurzust a Udemy. Az interaktív, saját tempójú formátum segít bejutni a szemtelen szemcsékbe és növeli a bizalmat.

Mielőtt elkezdené, győződjön meg arról, hogy átnézi a kurzus előnézeteit, áttekintéseit (különösen a negatívokat!) És a tanfolyam általános érzetét.

Ingyenesen is találhat csodálatos oktatóanyagokat a YouTube-on. Sentdex az egyik ilyen csatorna, amit ajánlhatok, ahol mindig rengeteg szórakozás zajlik, de az a megközelítés, amelyet alkalmaz, nem kezdőbarát.

Andrew Ng

A kurzust Andrew Ng tanította coursera vitathatatlanul a legnépszerűbb tanulási erőforrás a gépi tanulás alapjai számára.

Bár az R programozási nyelvet használja, páratlan marad a tárgy kezelése és a világos magyarázatok terén. Ennek a tanfolyamnak köszönhetően Andrew Ng valamivel isteni stílusra tett szert az ML-körökben, és az emberek a legnagyobb bölcsességgel keresik őt (nem viccelek!).

Ez valóban nem egy kezdő tanfolyam, de ha jól tudod, hogy az adatok már nem mozognak, és nem veszel szembe néhány oldalsó kutatást, ahogyan megy, akkor ez a tanfolyam a legjobb ajánlás.

Az erőforrásoknak nincs vége az interneten, és kezdéskor könnyen eltévedhet. A legtöbb oktatóprogram és megbeszélés matematikai szempontból kihívást jelent, vagy hiányzik a szerkezete, és megszakíthatja önbizalmát, még mielőtt megkezdené.

Szóval figyelmeztetni szeretnék Önt az önpusztulás ellen: tartsa szerényen a célját, és mozogjon minimális lépésekkel. A gépi tanulás nem olyan, ami kényelmesebbé válhat egy-két napon belül, de hamarosan elkezdi élvezni magát, és ki tudja, talán még ijesztő is lehet.!

Érezd jól magad! ��

Jeffrey Wilson Administrator
Sorry! The Author has not filled his profile.
follow me
    Like this post? Please share to your friends:
    Adblock
    detector
    map