چگونه با یادگیری ماشین شروع کنیم

تلاش برای طراحی ماشین های باهوش تر از انسان های جدید نیست. یکی از حملات اولیه ای که علم رایانه به “هوش” انسان انجام داد از طریق آن بود بازی شطرنج. شطرنج (یا باید بگوییم ، بود؟) از نظر بسیاری به عنوان آزمون نهایی عقل و خلاقیت بشر فرض شده است و در دهه 1970-70 ، مدارس مختلف فکری در علوم رایانه وجود داشته است..


برخی معتقدند که این فقط زمان زیادی است که رایانه ها انسانها را در بازی شطرنج پیشی بگیرند ، در حالی که برخی دیگر معتقد بودند که این هرگز اتفاق نمی افتد.

کسپاروف در مقابل Deep Blue

حیرت انگیزترین واقعه حضور مرد مقابل ماشین در نبرد فکر ، مسابقه شطرنج سال 1996 بین قهرمان آن زمان جهان گری کاسپاروف (و مطمئناً بهترین بازیکن شطرنج تا کنون) و آبی تیره, یک ابر رایانه IBM که برای همین رویداد طراحی شده است.

اعتبار تصویر: ویکی پدیا

برای کوتاه کردن داستان کوتاه ، کسپاروف در مسابقه 1996 با اطمینان (4-2) پیروز شد ، اما بازی برگشت 1997 (4.5-3.5) را از بین برد ، جنجال – جدال سرسختانه و ادعاهای تقلب مستقیم Kasparov علیه IBM.

فارغ از این ، دورانی در رشته شطرنج و علوم رایانه به پایان رسید. رایانه ها از هر انسانی که امکان پذیر باشد باهوش تر بودند IBM ، خوشحال از انتقام ، Deep Blue را برچید و به کار خود ادامه داد.

امروز ، غیرممکن است که هر مادربزرگ بتواند موتور معمولی شطرنج را که در سخت افزار کالا فعال است ، ضرب کند.

آنچه یادگیری ماشینی نیست

قبل از اینکه عمیق تر به یادگیری ماشین بپردازیم ، تصورات غلط را از ذهن خارج می کنیم. یادگیری ماشینی به هیچ وجه تخیل نیست ، تلاشی برای تکثیر مغز انسان است. علیرغم اعتقادات حسی گرا که مورد پسند الون مسک قرار گرفته است ، تحقیقات علوم کامپیوتر معتقد است که آنها در جستجوی این دانه مقدس نیستند ، و مطمئناً در هیچ کجای نزدیکی آن نیستند.

به بیان ساده تر ، یادگیری ماشینی عملی کردن فرایندهای یادگیری به عنوان مثال در رایانه است. این مغایر با رویکرد سنتی تکیه بر یک برنامه نویس انسانی است تا بتواند تمام سناریوهای ممکن و قوانین سخت کد را برای آنها در سیستم اندیشید..

صادقانه ، این در مورد آنچه که یادگیری ماشینی است این است: تغذیه تن ، تن و تن داده به رایانه تا بتواند به جای تکیه بر منبع منبع از مثال ها (آزمایش → خطا – مقایسه learn) یاد بگیرد..

برنامه های کاربردی آموزش ماشین

بنابراین ، اگر Machine Learning جادویی سیاه نیست ، و این چیزی نیست که Terminators را ایجاد کند ، چه فایده ای دارد?

Learning Machine در مواردی که برنامه نویسی سنتی مسطح باشد ، کمک می کند و این موارد به طور کلی در یکی از دو دسته قرار می گیرند.

  1. طبقه بندی
  2. پیش بینی

همانطور که از اسم آن پیداست ، طبقه بندی در مورد برچسب زدن به موارد صحیح نگران است ، در حالی که پیش بینی قصد دارد با توجه به مجموعه داده های کافی از مقادیر گذشته ، پیش بینی های آینده را اصلاح کند..

مقداری برنامه های جالب یادگیری ماشین عبارتند از:

فیلتر کردن اسپم

هرزنامه ایمیل گسترده است ، اما تلاش برای متوقف کردن آن می تواند کابوسی باشد. چطور اسپم تعریف می شود؟ آیا وجود کلمات کلیدی خاص است؟ یا شاید شیوه نگارش آن چیست؟ فکر کردن به یک مجموعه جامع از قوانین ، با برنامه ، کار سختی است.

به همین دلیل ما از Machine Learning استفاده می کنیم. ما میلیون ها پیام اسپم و پیامهای غیر اسپم را به سیستم نشان می دهیم و اجازه می دهیم که بقیه را تشخیص دهند. این راز مخفی بودن فیلترهای اسپم فوق العاده خوب جیمیل بود که در اوایل دهه 2000 ایمیل شخصی را به صدا درآوردند!

توصیه ها

امروزه کلیه شرکتهای بزرگ تجارت الکترونیک دارای سیستمهای پیشنهادی قدرتمند هستند. در بعضی مواقع ، توانایی آنها در توصیه مواردی که “ممکن است” برای آنها مفید بدانیم ، بسیار دقیق است ، با وجود این که قبلاً روی آن مورد کلیک نکرده ایم.

اتفاقی؟ اصلا!

یادگیری ماشین در اینجا کار سختی است ، بعد از ترابایت داده ها ترابایت می کند و سعی می کند حالات و تنظیمات بی ثبات ما را پیش بینی کند.

چت بابات

آیا با پشتیبانی مشتری سطح اول روبرو شده اید که به نظر عجیب روباتیک است و در عین حال قادر به صحبت های جالب و جالبی بود?

خوب ، پس شما توسط Machine Learning مورد تعقیب قرار گرفته اید!

آموزش از مکالمات و تعیین اینکه چه زمانی باید بگوییم چه زمانی یک منطقه آینده و هیجان انگیز برنامه chatbot است.

حذف علفهای هرز

در كشاورزي ، از روبات هاي مجهز به Machine Learning براي پاشش علف هاي هرز و ساير گياهان ناخواسته در ميان محصولات گزينشي استفاده مي شود..

در غیر این صورت باید با دستی انجام شود ، یا بسیار هدر رفت زیرا سیستم می تواند محصول را با مایع قاتل اسپری کند.!

جستجوی صوتی

تعامل مبتنی بر صدا با سیستم های رایانه ای دیگر داستان علمی نیست. امروز ما دستیاران دیجیتال مانند الکسا ، سیری و گوگل هوم داریم که می توانند دستورات را به صورت کلامی دریافت کنند و به هم ریخته نشوند (خوب ، تقریبا!).

برخی ممکن است استدلال کنند که این اختراع به بهترین وجهی از آن است که نژاد بشر را تنبل تر از همیشه می کند ، اما شما نمی توانید با اثربخشی بحث کنید. به عنوان مثال ، در Google I / O 2018 ، این شرکت داده است نسخه ی نمایشی خیره کننده از آنچه که تیم تحقیقاتی خود را به عهده داشتند.

تشخیص پزشکی

ما در آستانه یك انقلاب در تشخیص پزشکی هستیم ، زیرا سیستم های مبتنی بر Learning Machine شروع به بهتر از پزشكان با تجربه در تشخیص از طریق اشعه ایکس ، و غیره.

لطفاً توجه داشته باشید که این بدان معنا نیست که پزشکان به زودی نیازی نخواهند داشت ، بلکه کیفیت مراقبت های پزشکی به طرز چشمگیری بالا می رود ، در حالی که هزینه ها به دام می افتد..

این فقط نمونه ای از آنچه Machine Learning برای آن استفاده می شود بود. اتومبیل های خود رانندگی ، ربات های بازی استراتژی ، ماشین های تاشو تی شرت ، شکستن کپچا ، رنگ آمیزی عکس های سیاه و سفید – این روزها اتفاقات زیادی رخ می دهد.

انواع یادگیری ماشین

تکنیک های یادگیری ماشین از دو نوع است.

یادگیری تحت نظارت, که در آن سیستم با قضاوت انسان هدایت می شود ، و یادگیری بدون نظارت, که در آن سیستم برای یادگیری همه به تنهایی باقی مانده است. روش دیگر برای گفتن همین موضوع این خواهد بود که در نظارت یادگیری ، ما یک مجموعه داده داریم که هم ورودی دارد و هم خروجی مورد انتظار ، که سیستم برای مقایسه و خود صحیح از آن استفاده می کند. در یادگیری نظارت نشده ، هیچ خروجی موجود برای اندازه گیری در برابر وجود ندارد ، و بنابراین ، نتایج ممکن است متفاوت باشد.

یک برنامه هیجان انگیز و سرمازدگی از یادگیری ماشین بدون نظارت است?

این امر می تواند ربات های بازی تخته ، که در آن برنامه قوانین بازی و شرایط برنده آموخته می شود ، و سپس به دستگاه های خاص خود واگذار شود. سپس این برنامه میلیون ها بازی را در برابر خود بازی می کند ، و از اشتباهات آن درس می گیرد و تصمیمات سودمند را تقویت می کند.

اگر در یک کامپیوتر به اندازه کافی قدرتمند هستید ، می توانید یک بازی با ضرب و شتم جهانی را در چند ساعت آماده کنید!

تصاویر زیر بطور خلاصه این ایده ها را نشان می دهد (منبع: متوسط):

منابعی برای شروع کار در یادگیری ماشین

بنابراین ، اکنون که همه شما در مورد Machine Learning ناامید شده اید و چگونه می تواند به شما در تسخیر جهان کمک کند ، از کجا شروع کنید?

در زیر من به منابع فوق العاده ای در وب اشاره کرده ام که می توانند بدون نیاز به اخذ مدرک دکتری به شما در دستیابی به تسلط در یادگیری ماشینی کمک کنند. در علوم کامپیوتر! اگر یک محقق یادگیری ماشینی نیستید ، دامنه آموزش ماشین را به همان اندازه برنامه نویسی کاربردی و لذت بخش خواهید یافت..

بنابراین ، نگران نباشید ، مهم نیست که سطح شما در حال حاضر چقدر باشد ، می توانید مانند یک برنامه آموزش ماشین خوب ، به خودتان آموزش دهید و بهتر شوید. ��

برنامه نويسي

اولین نیاز برای ورود به ماشین یادگیری ، یادگیری برنامه نویسی است. به این دلیل است که سیستمهای یادگیری ماشینی به صورت کتابخانه برای زبانهای مختلف برنامه نویسی ارائه می شوند.

پایتون بیشترین توصیه شده است ، بخشی از آن به دلیل یادگیری بسیار لذت بخش ، و بخشی نیز به دلیل داشتن اکوسیستم گسترده ای از کتابخانه ها و منابع.

رسمی راهنمای مبتدی مکان مناسبی برای شروع است ، حتی اگر کمی با پایتون آشنا باشید. یا این را بگیرید دوره Bootcamp قهرمان شدن از صفر.

به آمار فکر کنید

پس از اتمام مقدمات پایتون ، توصیه دوم من این است که دو کتاب فوق العاده خوب را پشت سر بگذارید. آن ها هستند 100٪ رایگان و به صورت PDF برای بارگیری در دسترس است. به آمار فکر کنید و بیز فکر کنید دو کلاسیک مدرن هستند که هر مهندس مشتاق ماشین یادگیری باید درونی کند.

اودمی

در این مرحله ، من توصیه می کنم که چند دوره از آن را بگیرید اودمی. قالب تعاملی و گام به گام به شما کمک می کند تا وارد تندی و ایجاد اعتماد به نفس شوید.

قبل از شروع ، حتماً پیش نمایش دوره ، بررسی ها (به ویژه موارد منفی!) و احساس کلی دوره را بررسی کنید..

همچنین می توانید به صورت رایگان در YouTube آموزش های شگفت انگیزی را مشاهده کنید. Sentdex یکی از چنین کانالهایی است که من می توانم توصیه کنم ، جایی که همیشه سرگرم کننده است ، اما رویکردی که او انجام می دهد ، مبتدی نیست.

اندرو نگ

دوره تدریس شده توسط اندرو نگ در کورسرا مسلما محبوب ترین منبع یادگیری برای اصول یادگیری ماشین است.

اگرچه از زبان برنامه نویسی R استفاده می کند ، اما در برخورد با موضوع و توضیحات روشن آن بی نظیر است. به همین دلیل ، اندرو نگ در محافل ML به قدری از خدادادی برخوردار شده است ، و مردم به دنبال او برای خرد نهایی هستند (من شوخی نمی کنم!).

این در واقع یک دوره برای مبتدی نیست ، اما اگر در حال حاضر مشکلی در تهیه داده ها ندارید و به دنبال انجام تحقیقات جانبی نیستید ، این دوره بهترین توصیه است.

منابع در اینترنت به پایان نمی رسد و می توانید هنگام شروع به راحتی گم شوید. بسیاری از آموزش ها و مباحث موجود در آنجا از نظر ریاضی به چالش کشیده یا فاقد ساختاری هستند و می توانند قبل از شروع کار اعتماد به نفس شما را بشکنند..

بنابراین ، من می خواهم به شما هشدار بدهم در برابر خود تخریب: هدف خود را متوسط ​​نگه دارید و در حداقل گامها حرکت کنید. یادگیری ماشینی چیزی نیست که بتوانید طی یک یا دو روز راحت شوید ، اما خیلی زود شروع خواهید کرد که لذت ببرید ، و چه کسی می داند ، حتی ممکن است چیزی ترسناک ایجاد کند!

خوش بگذره! ��

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