Cách bắt đầu với Machine Learning

Nỗ lực thiết kế máy móc thông minh hơn con người aren mới. Một trong những cuộc tấn công đầu tiên mà khoa học máy tính thực hiện đối với trí thông minh của con người, là thông qua Trò chơi cờ vua. Cờ vua là (hay chúng ta nên nói là?) Được nhiều người coi là bài kiểm tra cuối cùng về trí tuệ và sự sáng tạo của con người, và vào những năm 1960-70, có những trường phái tư tưởng khác nhau trong khoa học máy tính.


Một số người cho rằng đó chỉ là vấn đề thời gian trước khi máy tính vượt qua con người chơi cờ, trong khi những người khác tin rằng điều này sẽ không bao giờ xảy ra.

Kasparov vs Deep Blue

Sự kiện giật gân nhất có sự tham gia của người đàn ông và cỗ máy trong trận chiến tư tưởng là trận đấu cờ năm 1996 giữa nhà vô địch thế giới lúc bấy giờ Garry Kasparov (và được cho là người chơi cờ giỏi nhất từ ​​trước đến nay) và Xanh đậm, một siêu máy tính mà IBM thiết kế cho chính sự kiện này.

Tín dụng hình ảnh: Wikipedia

Để cắt ngắn một câu chuyện dài, Kasparov đã thắng trận đấu năm 1996 một cách thuyết phục (4-2), nhưng thua trận tái đấu năm 1997 (4,5-3,5), trong bối cảnh nhiều tranh cãi và Kasparov sườn cáo buộc gian lận trực tiếp chống lại IBM.

Bất kể, một kỷ nguyên trong cờ vua và khoa học máy tính đã kết thúc. Máy tính được quyền thông minh hơn bất kỳ con người sống nào có thể. IBM, vui mừng với sự trả thù, tháo dỡ Deep Blue và tiếp tục.

Ngày nay, bất kỳ đại kiện tướng nào cũng không thể đánh bại bất kỳ động cơ cờ thông thường nào chạy trên phần cứng hàng hóa.

Học máy là gì

Trước khi chúng ta có một cái nhìn sâu hơn về Machine Learning, hãy để Lôi tránh một số quan niệm sai lầm. Machine Learning không phải là một nỗ lực tái tạo bộ não con người. Bất chấp niềm tin theo chủ nghĩa giật gân được nắm giữ bởi Elon Musk, các nghiên cứu khoa học máy tính cho rằng họ không tìm kiếm hạt thần thánh này, và chắc chắn không ở đâu gần với nó.

Nói một cách đơn giản, học máy là thực hành áp dụng các quy trình học tập bằng ví dụ cho máy tính. Điều này trái ngược với cách tiếp cận truyền thống dựa vào một lập trình viên con người để nghĩ ra tất cả các kịch bản có thể và các quy tắc mã cứng cho chúng vào một hệ thống.

Thành thật mà nói, đó là về việc học máy là gì: cung cấp hàng tấn và tấn dữ liệu cho máy tính để nó có thể học hỏi từ các ví dụ (thử nghiệm → lỗi → so sánh → cải tiến) thay vì dựa vào mã nguồn.

Các ứng dụng của Machine Learning

Vì vậy, nếu Machine Learning không phải là ma thuật đen, và không phải thứ gì đó sẽ sinh ra Kẻ hủy diệt, thì nó có ích gì?

Học máy giúp ích trong trường hợp lập trình truyền thống không ổn định và những trường hợp này thường rơi vào một trong hai loại.

  1. Phân loại
  2. Sự dự đoán

Đúng như tên gọi, Phân loại liên quan đến việc ghi nhãn chính xác, trong khi Dự đoán nhằm điều chỉnh các dự đoán trong tương lai, được cung cấp một tập hợp dữ liệu đủ lớn về các giá trị trong quá khứ.

Một số ứng dụng thú vị của Machine Learning là:

Lọc thư rác

Thư rác là phổ biến, nhưng cố gắng ngăn chặn nó có thể là một cơn ác mộng. Thư rác được định nghĩa như thế nào? Có phải là sự hiện diện của các từ khóa cụ thể? Hoặc có thể là cách mà nó viết ra? Nó khó khăn khi nghĩ ra một bộ quy tắc đầy đủ, khôn ngoan theo chương trình.

Đó là lý do tại sao chúng tôi sử dụng Machine Learning. Chúng tôi hiển thị cho hệ thống hàng triệu tin nhắn rác và tin nhắn không phải thư rác và để nó tìm ra phần còn lại. Đây là bí mật đằng sau bộ lọc thư rác Gmail cực kỳ tốt làm rung chuyển email cá nhân vào đầu những năm 2000!

khuyến nghị

Tất cả các công ty thương mại điện tử lớn ngày nay đều có hệ thống khuyến nghị mạnh mẽ. Đôi khi, khả năng của họ để đề xuất những thứ mà chúng tôi có thể thấy hữu ích là chính xác, mặc dù chúng tôi chưa bao giờ nhấp vào mục đó trước đây.

Sự trùng hợp? Không có gì!

Machine Learning rất khó làm việc ở đây, ngấu nghiến terabyte sau terabyte dữ liệu và cố gắng dự đoán tâm trạng và sở thích dễ bay hơi của chúng tôi.

Chatbots

Bạn có bắt gặp bộ phận hỗ trợ khách hàng cấp một có vẻ kỳ quặc và vẫn có thể nói chuyện nhỏ thú vị?

Chà, sau đó bạn đã được Machine Learning thu hút!

Học hỏi từ các cuộc hội thoại và xác định những gì sẽ nói khi nào là một lĩnh vực ứng dụng chatbot sắp tới và thú vị.

Loại bỏ cỏ dại

Trong nông nghiệp, robot được hỗ trợ bởi Machine Learning được sử dụng để phun cỏ dại và các loại cây không mong muốn khác giữa các loại cây trồng có chọn lọc.

Điều này nếu không sẽ phải được thực hiện bằng tay, hoặc sẽ cực kỳ lãng phí vì hệ thống sẽ phun sản phẩm cũng như chất lỏng sát thủ!

Tìm kiếm bằng giọng nói

Tương tác dựa trên giọng nói với các hệ thống máy tính không còn là khoa học viễn tưởng nữa. Ngày nay chúng ta có các trợ lý kỹ thuật số như Alexa, Siri và Google Home, có thể thực hiện các lệnh bằng lời nói và không gây rối (tốt, gần như!).

Một số người có thể lập luận rằng đó là một phát minh tốt nhất nên tránh vì nó làm cho loài người lười biếng hơn bao giờ hết, nhưng bạn có thể tranh luận về tính hiệu quả. Chẳng hạn, trong Google I / O 2018, công ty đã đưa ra một bản demo tuyệt đẹp về những gì nhóm nghiên cứu của nó đã làm.

Chẩn đoán y khoa

Chúng tôi đang đứng trước một cuộc cách mạng trong chẩn đoán y khoa, khi các hệ thống dựa trên Machine Learning đang bắt đầu vượt trội so với các bác sĩ có kinh nghiệm trong chẩn đoán thông qua x-quang, vv.

Xin lưu ý rằng điều này không có nghĩa là các bác sĩ sẽ sớm không cần thiết, nhưng chất lượng chăm sóc y tế sẽ tăng lên đáng kể, trong khi chi phí sẽ giảm mạnh (trừ khi các tập đoàn kinh doanh ra lệnh khác!).

Đây chỉ là một ví dụ về những gì Machine Learning đang được sử dụng cho. Xe tự lái, bot chơi trò chơi chiến lược, máy gấp áo phông, phá hình captcha, tô màu cho ảnh đen trắng – rất nhiều thứ đang diễn ra trong những ngày này.

Các loại hình học máy

Kỹ thuật máy học có hai loại.

Học có giám sát, trong đó hệ thống được định hướng bởi sự phán xét của con người và Học tập không giám sát, trong đó hệ thống còn lại để tự học. Một cách khác để nói điều tương tự là trong Học tập có giám sát, chúng ta có một bộ dữ liệu chứa cả đầu vào và đầu ra dự kiến, mà hệ thống sử dụng để so sánh và tự sửa. Tuy nhiên, trong Học tập không giám sát, không có kết quả hiện tại để đo lường, và do đó, kết quả có thể thay đổi dữ dội.

Một ứng dụng thú vị và hấp dẫn của Học máy không được giám sát?

Đó sẽ là các bot chơi các trò chơi bảng, trong đó chương trình được dạy các quy tắc trò chơi và các điều kiện chiến thắng, sau đó để lại cho các thiết bị của riêng mình. Chương trình sau đó chơi hàng triệu trò chơi chống lại chính nó, học hỏi từ những sai lầm của nó và củng cố các quyết định có lợi.

Nếu bạn tấn công trên một máy tính đủ mạnh, một AI chơi nổi tiếng thế giới có thể được chuẩn bị trong vài giờ!

Các hình ảnh sau đây minh họa những ý tưởng ngắn gọn này (nguồn: Trung bình):

Tài nguyên để bắt đầu trong Machine Learning

Vì vậy, bây giờ bạn đã phát cuồng về Machine Learning và cách nó có thể giúp bạn chinh phục thế giới, bắt đầu từ đâu?

Dưới đây tôi đã liệt kê ra một số tài nguyên tuyệt vời trên Web có thể giúp bạn đạt được sự lưu loát trong Machine Learning mà không cần phải lấy bằng tiến sĩ. trong khoa học máy tính! Nếu bạn không phải là nhà nghiên cứu về Machine Learning, bạn sẽ thấy miền của Machine Learning thực tế và thú vị như lập trình nói chung.

Vì vậy, đừng lo lắng, bất kể trình độ của bạn hiện tại là gì, bạn có thể, giống như một chương trình Machine Learning tốt, hãy tự dạy mình và trở nên tốt hơn. ��

Lập trình

Yêu cầu đầu tiên để vào Machine Learning là học lập trình. Đó là vì hệ thống Machine Learning có dạng thư viện cho các ngôn ngữ lập trình khác nhau.

Python là thứ được khuyên dùng nhất, một phần vì nó cực kỳ dễ học, và một phần vì nó có một hệ sinh thái rộng lớn gồm các thư viện và tài nguyên.

Các chính thức Hướng dẫn cho người mới bắt đầu là một nơi tuyệt vời để bắt đầu, ngay cả khi bạn có chút quen thuộc với Python. Hoặc, lấy cái này Khóa học Bootcamp trở thành anh hùng từ số không.

Chỉ số suy nghĩ

Khi bạn đã hoàn thành những điều cơ bản về Python, đề nghị thứ hai của tôi sẽ là trải qua hai cuốn sách cực kỳ hay. họ đang 100% miễn phí và có sẵn dưới dạng PDF để tải xuống. Chỉ số suy nghĩ và Hãy suy nghĩ Bayes là hai tác phẩm kinh điển hiện đại mà mọi kỹ sư Machine Learning khao khát nên tiếp thu.

Kẻ thù

Tại thời điểm này, tôi đã khuyên bạn nên tham gia một vài khóa học từ Kẻ thù. Định dạng tương tác, tự nhịp độ sẽ giúp bạn hòa nhập với sự tự tin và xây dựng sự tự tin.

Hãy chắc chắn rằng bạn kiểm tra bản xem trước khóa học, đánh giá (đặc biệt là những tiêu cực!) Và cảm nhận chung về khóa học trước khi bạn bắt đầu.

Bạn cũng có thể xem qua các hướng dẫn tuyệt vời trên YouTube miễn phí. Sentdex là một trong những kênh như vậy tôi có thể đề xuất, nơi luôn có rất nhiều niềm vui, nhưng cách tiếp cận anh ấy thực hiện không thân thiện với người mới bắt đầu.

Andrew Ng

Khóa học do Andrew Ng dạy Coursera được cho là tài nguyên học tập phổ biến nhất cho các nguyên tắc cơ bản của Machine Learning.

Mặc dù nó sử dụng ngôn ngữ lập trình R, nhưng nó vẫn là vô song trong việc đối xử với chủ đề và những lời giải thích sáng suốt. Vì khóa học này, Andrew Ng đã đạt được phần nào tầm vóc thần thánh trong giới ML, và mọi người trông chờ anh ta vì sự khôn ngoan tối thượng (Tôi không đùa đâu!).

Đây thực sự không phải là một khóa học cho người mới bắt đầu, nhưng nếu bạn giỏi về việc sắp xếp dữ liệu và không có ý định nghiên cứu phụ khi bạn đi cùng, thì khóa học này là đề xuất tốt nhất.

Ở đó, không có tài nguyên nào trên internet và bạn có thể dễ dàng bị lạc khi bắt đầu. Hầu hết các hướng dẫn và thảo luận ngoài kia đều có thách thức về mặt toán học, hoặc thiếu cấu trúc và có thể phá vỡ sự tự tin của bạn trước khi bạn bắt đầu.

Vì vậy, tôi đã muốn cảnh báo bạn chống lại sự tự hủy: giữ cho mục tiêu của bạn khiêm tốn và di chuyển trong các bước tối thiểu. Machine Learning không phải là thứ gì đó bạn có thể cảm thấy thoải mái trong vòng một hoặc hai ngày, nhưng chẳng mấy chốc bạn sẽ bắt đầu thích thú, và ai biết được, thậm chí có thể tạo ra thứ gì đó đáng sợ!

Chúc vui vẻ! ��

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