Pogings om masjiene slimmer as mense te ontwerp, is nie nuut nie. Een van die baie vroeë aanvalle wat rekenaarwetenskap op menslike “intelligensie” gemaak het, was deur die spel van skaak. Skaak word deur baie mense as die uiteindelike toets van menslike intellek en kreatiwiteit aanvaar (of moet ons sê, is?), En in die 1960-70’s was daar verskillende denkrigtings in rekenaarwetenskap.


Sommige meen dat dit net ‘n kwessie van tyd was voordat rekenaars mense inhaal om skaak te speel, terwyl ander glo dat dit nooit sou gebeur nie.

Kasparov teen Deep Blue

Die mees opspraakwekkende gebeurtenis met man teen masjien in die gedagteslag was die skaakwedstryd van 1996 tussen die destydse wêreldkampioen Garry Kasparov (en waarskynlik die beste skaakspeler ooit) en Diep blou, ‘n superrekenaar wat die IBM ontwerp het vir hierdie einste gebeurtenis.

Beeldkrediet: Wikipedia

Om ‘n lang storie kort te maak, het Kasparov die wedstryd in 1996 oortuigend gewen (4-2), maar hy het die heruitspeling van 1997 (4.5-3.5) verloor, te midde van baie omstredenheid en Kasparov se regstreekse bedrogspulbeskuldigings teen die IBM.

Ongeag, ‘n era in skaak en rekenaarwetenskap was verby. Rekenaars was slimmer as enige lewende mens geregtig. IBM, gelukkig met die wraak, het Deep Blue uitmekaar gehaal en verder gegaan.

Dit is vandag onmoontlik vir enige grootmeester om enige gewone skaakmotor wat op kommoditeitshardeware werk, te klop.

Wat masjienleer nie is nie

Voordat ons ‘n meer diepgaande blik op Masjienleer gee, laat ons ‘n paar wanopvattings uit die weg ruim. Masjienleer is, deur geen enkele verbeelding, ‘n poging om die menslike brein te repliseer nie. Ondanks sensasionistiese oortuigings wat deur Elon Musk gehou word, beweer rekenaarwetenskaplike navorsing dat hulle nie op soek is na hierdie heilige korrel nie, en beslis nie nêrens naby nie.

Eenvoudig gestel, masjienleer is die praktyk om leer-vir-voorbeeld-prosesse op rekenaars toe te pas. Dit is in kontras met die tradisionele benadering om op ‘n menslike programmeerder te vertrou om alle moontlike scenario’s en reëls vir harde kodes in ‘n stelsel op te stel..

Eerlik, dit handel oor die masjienleer: om ton en ton en tonne data na ‘n rekenaar te voer, sodat dit kan leer uit voorbeelde (toets → fout → vergelyking → verbetering) eerder as om op die bronkode te vertrou..

Toepassings van masjienleer

Dus, as masjienleer nie swart magie is nie en ook nie iets vir terminators kan veroorsaak nie, waarvoor is dit nuttig??

Masjienleer help in gevalle waar tradisionele programmering plat val, en hierdie gevalle val meestal in een van die twee kategorieë.

  1. klassifikasie
  2. voorspelling

Soos die naam aandui, handel klassifikasie oor die korrekte etikettering van dinge, terwyl Voorspelling daarop gemik is om toekomstige projeksies reg te stel, gegewe ‘n groot genoeg datastel van waardes uit die verlede.

sommige interessante toepassings van masjienleer is:

Strooiposfiltrering

E-pos spam is deurgaans, maar om dit te stop kan ‘n nagmerrie wees. Hoe word strooipos gedefinieer? Is dit die teenwoordigheid van spesifieke sleutelwoorde? Of miskien is dit geskryf? Dit is moeilik om ‘n volledige stel reëls op te stel, programmatig.

Daarom gebruik ons ​​Masjienleer. Ons wys miljoene spam-boodskappe en nie-spam-boodskappe aan die stelsel, en laat die res agterkom. Dit was die geheim agter die ongelooflike goeie spamfilters van Gmail wat persoonlike e-pos in die vroeë 2000’s opgewek het!

aanbevelings

Alle groot e-handelsondernemings het vandag kragtige aanbevelingstelsels. Soms is hul vermoë om dinge aan te beveel wat ons nuttig vind, ongelooflik akkuraat, alhoewel ons nog nooit vantevore op die item geklik het nie.

Toeval? Glad nie!

Masjienleer is hier hard aan die werk, en terabytes gabbel op na terabytes van data en probeer om ons vlugtige buie en voorkeure te voorspel.

chatbots

Het u op die eerste kliëntediens afgekom wat vreemd robotagtig gelyk het en tog interessante klein praatjies kon lewer??

Nou ja, dan is jy aangegee deur Machine Learning!

Leer uit gesprekke en bepaal wat om te sê wanneer is ‘n opkomende en opwindende gebied van chatbot-toepassing.

Onkruid verwyder

In die landbou word robotte aangedryf deur Machine Learning gebruik om onkruid en ander ongewenste plante te midde van gewasse te spuit.

Andersins sou dit met die hand gedoen moet word, of dit sou baie verkwistend wees, aangesien die stelsel ook die produkte met die moordenaarvloeistof spuit.!

Stemsoektog

Stemgebaseerde interaksie met rekenaarstelsels is nie meer wetenskapfiksie nie. Ons het vandag digitale assistente soos Alexa, Siri en Google Home, wat mondelings opdragte kan opneem en nie kan mors nie (wel, amper!).

Sommige mense argumenteer dat dit ‘n uitvinding is wat die beste vermy word, omdat dit die menslike ras luier maak as ooit, maar jy kan nie met die effektiwiteit redeneer nie. In Google I / O 2018 het die maatskappy byvoorbeeld ‘n pragtige demo van wat sy navorsingspan beplan het.

Mediese diagnose

Ons is op die punt van ‘n rewolusie in die mediese diagnose, aangesien masjienleer-gebaseerde stelsels ervare dokters begin oortref diagnose deur middel van x-strale, ens.

Let daarop dat dit nie beteken dat dokters binnekort nie nodig sal wees nie, maar dat die gehalte van mediese sorg dramaties sal styg, terwyl die koste ‘n groot kans sal gee (tensy besigheidskartelle anders bepaal!).

Dit was slegs ‘n voorbeeld van waarvoor Machine Learning gebruik word. Selfbestuurende motors, strategiese spelbots, t-hempvoumasjiene, captcha breek, inkleur van swart-wit foto’s – baie gebeur deesdae.

Tipes masjienleer

Masjienleertegnieke is van twee soorte.

Toesig oor leer, waarin die stelsel deur menslike oordeel gerig word, en Onbewaakte leer, waarin die stelsel oorbly om alles vanself te leer. ‘N Ander manier om dieselfde te sê, is dat ons in Toesighoudende Leer ‘n datastel bevat wat sowel die insette as die verwagte uitset bevat, wat die stelsel gebruik om te vergelyk en selfkorrigeer. In Onbewaakte leer is daar egter geen bestaande uitset om mee te meet nie, en die resultate kan dus baie verskil.

‘N Opwindende en botkoelende toepassing van masjienleer sonder toesig?

Dit sou bots wees wat bordspeletjies speel, waarin die program die spelreëls en wenvoorwaardes geleer word, en dan aan sy eie toestelle oorgelaat word. Die program speel dan miljoene wedstryde teen homself, leer uit die foute en versterk die voordelige besluite.

As u op ‘n sterk genoeg rekenaar is, kan u ‘n wêreldklopende AI voorberei binne ‘n paar uur!

Die volgende prente illustreer hierdie idees bondig (bron: medium):

Hulpbronne vir die aanvang van masjienleer

Dus, noudat u almal besig is met masjienleer en hoe dit u kan help om die wêreld te verower, waar u moet begin?

Hieronder het ek ‘n paar fantastiese bronne op die web gelys wat u kan help om vlotheid in masjienleer te bewerkstellig sonder om ‘n Ph.D. in rekenaarwetenskap! As u nie ‘n masjienleer-navorser is nie, sal u die domein van masjienleer so prakties en aangenaam vind as programmering in die algemeen.

Maak nie saak nie, maak nie saak wat u vlak is nie, u kan, soos ‘n goeie Masjienleer-program, uself leer en verbeter. ��

Programmering

Die eerste vereiste om masjienleer te leer, is om te leer program. Dit is omdat masjienleerstelsels in die vorm van biblioteke vir verskillende programmeertale bestaan.

Python is die een wat die meeste aanbeveel word, deels omdat dit ongelooflik aangenaam is om te leer, en deels omdat dit ‘n reuse-ekosisteem van biblioteke en bronne het.

Die amptelik Beginnersgids is ‘n uitstekende plek om te begin, selfs al is jy ‘n bietjie vertroud met Python. Of neem dit Bootcamp kursus om ‘n held van nul te word.

Dink statistieke

As u klaar is met die basiese beginsels van Python, sou my tweede aanbeveling wees om deur twee ongelooflike goeie boeke te gaan. Hulle is 100% gratis en is as PDF beskikbaar vir aflaai. Dink statistieke en Dink Bayes is twee moderne klassici wat elke voornemende masjienleer-ingenieur moet internaliseer.

Udemy

Op die oomblik sal ek aanbeveel dat u ‘n paar kursusse neem Udemy. Die interaktiewe, self-tempo tempo sal u help om die snaakse te raak en selfvertroue op te bou.

Maak seker dat u die voorskou van die kursus, resensies (veral die negatiewe!) En die algemene gevoel van die kursus nagaan voordat u begin.

U kan ook ongelooflike tutoriale op YouTube teëkom. Sentdex is een so ‘n kanaal wat ek kan aanbeveel, waar baie pret altyd gaan, maar die benadering wat hy gebruik is nie beginnersvriendelik nie.

Andrew Ng

Kursus aangebied deur Andrew Ng op Coursera is waarskynlik die gewildste leerhulpbron vir die basis van masjienleer.

Alhoewel dit die programmeringstaal R gebruik, bly dit ongeëwenaard in die behandeling van die onderwerp en die duidelike verduidelikings. As gevolg van hierdie kursus het Andrew Ng ietwat van ‘n godagtige status in die ML-kringe bereik, en mense kyk op na hom vir ‘n uiteindelike wysheid (ek maak geen grap nie!).

Dit is inderdaad nie ‘n kursus vir die beginner nie, maar as u reeds goed is met gegewens oor data en nie omgee vir ‘n paar newe-ondersoeke nie, is hierdie kursus die beste aanbeveling.

Daar is geen einde aan bronne op die internet nie, en jy kan maklik verdwaal as jy begin. Die meeste tutoriale en besprekings daarbuite is wiskundig uitdagend, of ‘n gebrek aan struktuur, en dit kan u vertroue verbreek voordat u selfs aan die gang kom.

Dus wil ek u waarsku teen selfvernietiging: hou u doel beskeie en beweeg in minimale stappe. Masjienleer is nie iets waarmee jy binne ‘n dag of twee gemaklik kan raak nie, maar binnekort begin jy jouself vermaak, en wie weet, miskien skep dit selfs iets angswekkends!

Hê pret! ��

Jeffrey Wilson Administrator
Sorry! The Author has not filled his profile.
follow me