Как да започнем с машинно обучение

Опитите за проектиране на машини по-интелигентни от хората не са нови. Една от най-ранните атаки, извършена от компютърните науки върху човешката „интелигентност“, беше чрез игра на шах. Шахът е (или трябва да кажем, бе?) Приеман от мнозина като върховен тест на човешкия интелект и креативност, а през 60-70-те години в компютърните науки имаше различни училища на мисълта.


Някои смятат, че е само въпрос на време компютрите да изпреварят хората в игра на шах, докато други вярват, че това никога няма да се случи.

Каспаров срещу Deep Blue

Най-сензационното събитие с участието на човек срещу машина в битката на мисълта беше шахматният мач от 1996 г. между тогавашния световен шампион Гари Каспаров (и може би, най-добрият шахматист някога) и Тъмносин, суперкомпютър, който IBM е проектирал именно за това събитие.

Кредит за изображение: Wikipedia

За да съкратим дълга история, Каспаров спечели мача през 1996 г. убедително (4-2), но загуби реванша през 1997 г. (4,5-3,5) на фона на много полемика и твърдения на Каспаров за измама срещу IBM.

Независимо от това, ерата в шаха и компютърните науки приключи. Компютрите бяха озаглавени по-умно от всеки жив човек. IBM, доволен от отмъщението, разглоби Deep Blue и продължи.

Днес е невъзможно никой гросмайстор да победи всеки редовен шахматен двигател, работещ върху хардуер на стоки.

Какво машинно обучение не е

Преди да разгледаме по-задълбочено машинното обучение, нека извлечем някои погрешни схващания. Машинното учене не е опит за репликация на човешкия мозък. Въпреки сензационалистките вярвания, държани от подобните на Елон Мъск, изследванията в областта на компютърните науки поддържат, че те не търсят това свято зърно и със сигурност не са никъде близо до него.

Най-просто казано, машинното обучение е практиката на прилагане на процеси за обучение чрез пример към компютри. Това противоречи на традиционния подход да се разчита на човешки програмист да измисли всички възможни сценарии и твърди правила за тях в система.

Честно казано, това е какво е машинното обучение: подаване на тонове и тонове и тонове данни на компютър, за да може да се учи от примери (проба → грешка → сравнение → подобрение), а не да разчита на изходния код.

Приложения на машинно обучение

Така че, ако машинното обучение не е черна магия и не е нещо, което ще породи терминатори, за какво е полезно?

Машинното обучение помага в случаите, когато традиционното програмиране отпада и обикновено тези случаи попадат в една от двете категории.

  1. класификация
  2. предвиждане

Както подсказва името, Класификацията се отнася до правилното етикетиране на нещата, докато предсказването цели да коригира бъдещите прогнози, като се има предвид достатъчно голям набор от данни за минали стойности.

някои интересни приложения на машинно обучение са:

Филтриране на спам

Спамът по електронната поща е широко разпространен, но да се опитате да го спрете може да е кошмар. Как се определя спама? Наличието на конкретни ключови думи ли е? Или може би по начина, по който е написано? Трудно е да измислите изчерпателен набор от правила, съобразени с програмата.

Което е причината да използваме машинно обучение. Ние показваме на системата милиони спам съобщения и не-спам съобщения, и нека да разбере останалото. Това беше тайната зад невероятно добрите спам филтри на Gmail, които разтърсиха личен имейл в началото на 2000-те!

Препоръки

Всички големи компании за електронна търговия днес имат мощни системи за препоръки. Понякога способността им да препоръчват неща, които „бихме могли да намерим за полезни“ е невероятно точна, въпреки че никога не сме кликвали върху този елемент преди.

Съвпадение? Въобще не!

Машинното обучение е трудно за работа тук, издигайки терабайти след терабайти от данни и се опитваме да прогнозираме променливите си настроения и предпочитания.

Chatbots

Попаднахте ли на поддръжка на клиенти от първо ниво, която изглеждаше странно роботизирана и въпреки това беше в състояние да проведе интересни беседи?

Е, след това сте били pwned от машинно обучение!

Учене от разговори и определяне какво да кажа кога е предстояща и вълнуваща област на приложението за чат.

Премахване на плевели

В селското стопанство роботи, захранвани от машинно обучение, се използват за селективно пръскане на плевели и други нежелани растения сред посевите.

В противен случай това би трябвало да стане на ръка или би било диво разточително, тъй като системата ще пръска продуктите както и с убийствената течност!

Гласово търсене

Гласовото взаимодействие с компютърните системи вече не е научна фантастика. Днес имаме дигитални асистенти като Alexa, Siri и Google Home, които могат да поемат командите устно и да не бъркат (добре, почти!).

Някои могат да твърдят, че това е изобретение, което е най-добре да се избягва, тъй като прави човешката раса мързелива от всякога, но не можете да спорите с нейната ефективност. Например в Google I / O 2018, компанията даде а зашеметяваща демонстрация от това, което изследователският му екип е решил.

Медицинска диагноза

Ние сме на прага на революцията в медицинската диагностика, тъй като системите, базирани на машинно обучение, започват да превъзхождат опитни лекари в диагноза чрез рентгенови лъчи и т.н..

Моля, обърнете внимание, че това не означава, че лекарите скоро няма да са необходими, а че качеството на медицинската помощ ще се покачи драстично, докато разходите ще отнесат (освен ако бизнес картелите не постановят друго!).

Това беше само извадка за това, за което се използва машинното обучение. Самоуправляващи се автомобили, ботове за стратегически игри, сгъващи се тениски машини, счупване на капчули, оцветяване на черно-бели снимки – много се случва в наши дни.

Видове машинно обучение

Техниките за машинно обучение са от два вида.

Контролирано обучение, в която системата се ръководи от човешката преценка и Неуправляемо обучение, в която системата е оставена да научи всичко сама. Друг начин да кажем същото може да бъде, че в Supervisor Learning имаме набор от данни, съдържащ както входовете, така и очакваните резултати, които системата използва за сравнение и самокорекция. В Неуправляемото обучение обаче няма съществуващ резултат, който да се измерва и така, резултатите могат да варират силно.

Вълнуващо и смразяващо костите приложение на Безконтролното машинно обучение?

Това биха били ботове, които играят настолни игри, в които програмата се научава на правилата за игра и условията за печелене и след това се оставя на собствените си устройства. След това програмата играе милиони игри срещу себе си, като се учи от грешките си и затвърждава изгодните решения.

Ако сте на достатъчно мощен компютър, за няколко часа може да се подготви световно играещ AI, който бие в световен мащаб!

Следните изображения илюстрират тези идеи кратко (източник: Среден):

Ресурси за започване на машинно обучение

И така, сега всички сте разтревожени за машинното обучение и как може да ви помогне да завладеете света, откъде да започнете?

По-долу изброих някои фантастични ресурси в мрежата, които могат да ви помогнат да постигнете владеене на машинно обучение, без да се налага да получавате докторска степен. в компютърните науки! Ако не сте изследовател по машинно обучение, ще намерите домейна на машинното обучение за практичен и приятен като програмиране като цяло.

Така че, не се притеснявайте, независимо какво е вашето ниво в момента, можете, като добра програма за машинно обучение, да се научите и да се подобрите. ��

Програмиране

Първото изискване за влизане в машинно обучение е научаването да се програмира. Това е така, защото машинното обучение се предлага под формата на библиотеки за различни програмни езици.

Python е най-препоръчителният, отчасти защото е невероятно приятен за учене, а отчасти защото има масивна екосистема от библиотеки и ресурси.

Най- официален Ръководството за начинаещи е чудесно място за начало, дори и да сте малко запознати с Python. Или вземете това Курс на Bootcamp да стане герой от нула.

Мислете статистика

След като приключите с основите на Python, втората ми препоръка е да преминете през две невероятно добри книги. Те са 100% безплатно и е наличен като PDF за изтегляне. Мислете статистика и Мислете Байес са две модерни класики, които всеки амбициозен инженер за машинно обучение трябва да интернализира.

Udemy

В този момент бих ви препоръчал да изпиете няколко курса Udemy. Интерактивният, самостоятелен темп формат ще ви помогне да навлезете в дебелото зърнесто и да изградите увереност.

Не забравяйте да проверите предварителния преглед на курса, отзивите (особено отрицателните!) И цялостното усещане за курса, преди да започнете.

Можете също така да попаднете на невероятни уроци в YouTube безплатно. Sentdex е един такъв канал, който мога да препоръчам, където винаги се случват много забавления, но подходът, който предприема, не е удобен за начинаещи.

Андрей Нг

Курс, преподаван от Andrew Ng Корсера е вероятно най-популярният ресурс за обучение за основите на машинното обучение.

Въпреки че използва езика за програмиране на R, той остава несравним в своето третиране на обекта и ясните обяснения. Поради този курс, Андрю Нг постигна донякъде божествен ръст в средите на ML, а хората търсят върховна мъдрост (не се шегувам!).

Това наистина не е курс за начинаещ, но ако вече сте добри в спора с данни и нямате нищо против странични изследвания, докато продължавате, този курс е най-добрата препоръка.

Ресурсите в интернет няма край и лесно можете да се изгубите, когато започнете. Повечето уроци и дискусии там са математически предизвикателни или липсва структура и могат да разрушат увереността ви, преди дори да започнете.

Така че, бих искал да ви предупредя срещу самоунищожението: дръжте целта си скромна и се движете с минимални стъпки. Машинното обучение не е нещо, с което можете да се чувствате удобно в рамките на ден или два, но доста скоро ще започнете да се наслаждавате на себе си и кой знае, може би дори да създадете нещо плашещо!

Забавлявай се! ��

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