Область обучения которая дает компьютерам возможность учиться выполнять задачи самостоятельно
Машинное обучение — одна из самых захватывающих технологий, которые когда-либо встречались. Как видно из названия, он дает компьютеру то, что делает его более похожим на людей: способность к обучению. Машинное обучение активно используется сегодня, возможно, во многих местах, чем можно было бы ожидать. Вероятно, мы используем алгоритм обучения десятки раз, даже не подозревая об этом. Приложения машинного обучения включают в себя:
Сегодня компании используют машинное обучение для улучшения бизнес-решений, повышения производительности, выявления заболеваний, прогнозирования погоды и выполнения многих других задач. С экспоненциальным ростом технологий нам нужны не только лучшие инструменты для понимания данных, которые у нас есть в настоящее время, но и мы должны подготовиться к данным, которые у нас будут. Для достижения этой цели нам необходимо создавать интеллектуальные машины. Мы можем написать программу для простых вещей. Но в большинстве случаев Hardwiring Intelligence в нем сложно. Лучший способ сделать это — иметь какой-то способ для машин изучать вещи самостоятельно. Механизм обучения — если машина может учиться на входе, она делает для нас тяжелую работу. Это где машинное обучение вступает в действие. Некоторые примеры машинного обучения:
- Разработка базы данных для роста автоматизации: Типичные приложения включают в себя данные веб-клика для лучшего UX (User eXperience), медицинские записи для лучшей автоматизации в здравоохранении, биологические данные и многое другое.
- Приложения, которые не могут быть запрограммированы: есть некоторые задачи, которые не могут быть запрограммированы, поскольку компьютеры, которые мы используем, не смоделированы таким образом. Примеры включают автономное вождение, задачи распознавания из неупорядоченных данных (распознавание лиц / распознавание рукописного ввода), обработка естественного языка, компьютерное зрение и т. Д.
- Понимание человеческого обучения: это самое близкое, что мы поняли и имитировали человеческий мозг. Это начало новой революции, Настоящий ИИ. Теперь, после краткого понимания, давайте придем к более формальному определению машинного обучения.
- Артур Самуэль (1959): «Машинное обучение — это область обучения, которая дает компьютерам возможность учиться без явного программирования». Сэмюэль написал программу игры в Checker, которая может обучаться с течением времени. Сначала это можно было легко выиграть. Но со временем он изучил все позиции на доске, которые в конечном итоге приведут его к победе или проигрышу, и, таким образом, стал лучшим шахматистом, чем сам Самуил. Это была одна из самых ранних попыток определения машинного обучения, и она несколько менее формальна.
- Том Мишель (1999): «Говорят, что компьютерная программа извлекает уроки из опыта E в отношении некоторого класса задач T и показателя производительности P, если ее производительность при выполнении задач в T, измеряемая P, улучшается с опытом E.» это более формальное и математическое определение. Для предыдущей шахматной программы
- E — количество игр.
- Т играет в шахматы против компьютера.
- P — выигрыш / проигрыш компьютером.
В следующем уроке мы классифицируем типы проблем машинного обучения, а также обсудим полезные пакеты и настройку среды для машинного обучения и то, как мы можем использовать ее для разработки новых проектов.
[1] Машинное обучение в действии Питера Харрингтона.
И это было началом машинного обучения! В наше время машинное обучение — один из самых популярных (если не самый!) Вариантов карьеры. Действительно , инженер по машинному обучению — лучшая работа в 2019 году с ростом на 344% и средней базовой зарплатой в 146 085 долларов в год.
Но все еще остается много сомнений относительно того, что такое машинное обучение и как начать его изучение? Итак, эта статья посвящена основам машинного обучения, а также пути, которым вы можете следовать, чтобы в конечном итоге стать полноценным инженером машинного обучения. Теперь начнем .
Список вопросов теста
Вопрос 1
Какой из предложенных ниже видов искусственного интеллекта решает узкий спектр задач?
- Нет верного ответа
- Общий
- Сильный
- Слабый
Вопрос 2
Кто первым описал идею искусственной нейронной сети?
- Фрэнк Розенблатт
- Алан Тьюринг
- Уолтер Питтс
- Уоррен Мак-Каллок
Вопрос 3
В рамках этого направления решаются задачи, связанные с формализацией знаний в памяти системы ИИ.
- Представление знаний
- Восприятие
- Манипулирование знаниями
- Общение
Вопрос 4
Чтобы найти что-то в Интернете, ты формулируешь запрос, а поисковая система находит нужную информацию по ключевым словам. Также информационный поиск относится к обработке естественного языка. Поисковая система – искусственный интеллект?
Вопрос 5
Представь себе искусственный интеллект, способный собирать кубик Рубика, распознавать миллионы изображений, читать вслух и управлять автомобилем.
Как ты его назовешь?
- Слабый искусственный интеллект
- Сильный искусственный интеллект
- Суперинтеллект
Вопрос 6
На этом уровне для повышения эффективности разработки новых продуктов, автоматизации выбора и оценки поставщиков, при анализе требований к запчастям и деталям применяется искусственный интеллект.
- уровень производства
- уровень продвижения
- уровень проектирования
- уровень логистики
Вопрос 7
Назови область обучения, которая дает компьютерам возможность учиться выполнять задачи самостоятельно.
- Искусственный интеллект (ИИ)
- Машинное обучение
- Нейронная сеть
- Компьютерные науки
Вопрос 8
Существует три основных способа получения данных для машинного обучения.
Вопрос 9
Выбери из нижеперечисленного то, что является основой машинного обучения для прогнозирования результатов.
- алгоритм
- данные
- свойства
- признак
Вопрос 10
В обучении с учителем существует три типа реальных задач.
Вопрос 11
Как называется система аппаратного или программного обеспечения, созданная по образцу работы нейронов в мозге человека?
- классическое обучение
- нейронная сеть
- ансамбли
- обучение с подкреплением
Вопрос 12
Верно ли утверждение?
Главной проблемой для развития нейронных сетей вплоть до конца XX века являлось отсутствие Интернета.
Вопрос 13
В каком году У. Маккалок и У. Питтс впервые формализовали понятие нейронной сети?
Использование компьютерных технологий в обучении позволяет дифференцировать учебную деятельность на занятиях, активизирует познавательный интерес обучающихся, развивает их творческие способности, стимулирует умственную деятельность.
Что такое машинное обучение?
Машинное обучение включает в себя использование искусственного интеллекта, позволяющего машинам учиться на опыте, не программируя их специально для этой задачи. (Короче говоря, машины учатся автоматически, не держась за руки . ) Этот процесс начинается с подачи им данных хорошего качества, а затем обучения машин путем построения различных моделей машинного обучения с использованием данных и различных алгоритмов. Выбор алгоритмов зависит от того, какой тип данных у нас есть и какую задачу мы пытаемся автоматизировать.
Шаг 3 — принять участие в соревнованиях
После того, как вы поняли основы машинного обучения, вы можете перейти к безумной части . Соревнования! Это в основном сделает вас еще более опытным в ML, сочетая в основном ваши теоретические знания с практической реализацией. Некоторые из основных соревнований, которые вы можете начать на Kaggle , которые помогут вам укрепить доверие, приведены здесь:
- «Титаник: машинное обучение от стихийных бедствий»: « Титаник: машинное обучение от стихийных бедствий» — очень популярный проект для начинающих по ML, поскольку в нем доступно несколько учебных пособий. Так что это отличное введение в концепции ML, такие как исследование данных, разработка функций и настройка моделей.
- Digit Recognizer:Digit Recognizer — это проект после того, как вы овладеете основами Python и ML. Это отличное введение в захватывающий мир нейронных сетей с использованием классического набора данных, который включает в себя предварительно извлеченные функции.
После того, как вы закончили эти соревнования и другие такие простые задачи … Поздравляем . Вы уже на пути к тому, чтобы стать полноценным инженером машинного обучения, и вы можете продолжать совершенствовать свои навыки, работая над все большим количеством задач и в конечном итоге создавая все более и более творческие и сложные проекты машинного обучения.
Внимание! Все тесты в этом разделе разработаны пользователями сайта для собственного использования. Администрация сайта не проверяет возможные ошибки, которые могут встретиться в тестах.
Что такое машинное обучение?
Машинное обучение включает в себя использование искусственного интеллекта, позволяющего машинам учиться на опыте, не программируя их специально для этой задачи. (Короче говоря, машины учатся автоматически, не держась за руки . ) Этот процесс начинается с подачи им данных хорошего качества, а затем обучения машин путем построения различных моделей машинного обучения с использованием данных и различных алгоритмов. Выбор алгоритмов зависит от того, какой тип данных у нас есть и какую задачу мы пытаемся автоматизировать.
Содержимое разработки
МУНИЦИПАЛЬНОЕ ОБЩЕОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ
«ОСНОВНАЯ ШКОЛА № 64 ГОРОДА МАКЕЕВКИ»
Выступление на ШМО учителей начальных классов на тему
«Информационные возможности использования компьютера в образовательном процессе»
учитель начальных классов
Ткаченко Тамара Сергеевна
Современные компьютерные технологии предоставляют огромные возможности для развития процесса образования. Ещё К.Д. Ушинский заметил: «Детская природа требует наглядности». Сейчас это уже не схемы, таблицы и картинки, а более близкая детской природе игра, пусть даже и научно-познавательная.
Основная цель использования ИКТ - стимулирование учебно-познавательной активности каждого ученика через вовлечение в творческую деятельность. Основной целью применения информационных технологий - повышение результативности обучения посредством активизации познавательной деятельности, повышение интеллектуального развития учащихся, эффективности образовательного процесса и качества образования.
Задачи использования ИКТ в начальной школе.
Активизация познавательной деятельности учащихся с помощью современных электронных учебных материалов, предназначенных для использования на уроках в начальной школе; развитие мотивации к обучению; развитие информационного мышления школьников, формирование информационно-коммуникативных компетенций; развитие навыков самообразования и самоконтроля у младших школьников; повышение уровня комфортности обучения; снижение дидактических затруднений учащихся; повышение активности и инициативности на уроке и во внеурочной деятельности.
Система образования не может отставать от тех требований, которые диктует современное общество, а общество переживает период бурной информатизации. Компьютеризация школы – это актуальнейшая проблема образования на данном этапе. Это понимают сейчас все учителя, и я не исключение.
Внедрение информационных технологий в образовательный процесс способствует достижению основной цели модернизации образования – улучшению качества обучения, увеличению доступности образования, обеспечению гармоничного развития личности, ориентирующейся в информационном пространстве, приобщенной к информационно-коммуникационным возможностям современных технологий. Использование информационных технологий в учебном процессе начальной школы позволяет не только модернизировать его, повысить эффективность, мотивировать учащихся, но и дифференцировать процесс с учётом индивидуальных особенностей каждого ученика.
Мы стоим на пороге эпохи неограниченного развития и повсеместного распространения компьютеров, которые становятся интеллектуальным орудием и партнёром практически во всех сферах жизни и деятельности человека. Сегодня, когда информация становится стратегическим ресурсом развития общества, а знания – предметом относительным, так как быстро устаревают, становится очевидным, что современное образование – это непрерывный процесс.
Сегодня в традиционную схему «учитель – ученик - учебник» вводится новое звено – компьютер, а в школьное сознание – компьютерное обучение.
Для начальной школы это означает смену приоритетов в расстановке целей образования: одним из результатов обучения и воспитания в школе первой ступени должна стать.
1.готовность детей к овладению современными компьютерными технологиями.
2.способность актуализировать полученную с их помощью информацию для дальнейшего самообразования.
Внедрение в практику работы школ ИКТ – технологий является одним из приоритетных направлений модернизации, позволяющих не только повысить качество обучения, но и способствующих развитию информационной компетентности, раскрытию интеллектуально-творческого потенциала личности ученика.
Главными составляющими информационной компетентности ученика являются:
- умение правильно отбирать источники информации;
- умение находить и преобразовывать информацию из различных источников;
- владение конкретными навыками по использованию технических устройств;
Использование ИКТ в учебно-воспитательном процессе позволяет:
- активизировать познавательную деятельность учащихся на уроке и во внеурочное время;
- сохранять устойчивый интерес к предмету;
- моделировать и визуализировать сложные процессы и явления, рассматриваемые на уроках по разным предметам;
- учащимся заниматься самостоятельным поиском, подбором и анализом необходимой информации в сети Интернет;
- развивать креативные способности, формировать общую и информационную культуру у учащихся.
Главными преимуществами применения ИКТ являются:
*Возможность осуществлять дифференцированный подход к учащимся разного уровня готовности к обучению.
*Использование визуального, аудиовизуального и видео сопровождения на уроке.
*Сохранение высокого темпа урока, занятия.
*Обеспечение эффективной обратной связи между педагогом и учениками.
*Осуществление оперативного и объективного контроля УУД учащихся.
*Достижение высокого качества усвоения материала учащимися.
Сегодня компьютерные технологии можно считать тем новым способом передачи знаний, который соответствует качественно новому содержанию обучения и развития ребенка. Этот способ позволяет ребенку с интересом учиться, находить источники информации, воспитывает самостоятельность и ответственность при получении новых знаний, развивает дисциплину интеллектуальной деятельности.
Одной из активных форм педагогических технологий, которые развивают высокую мотивацию к учебно-познавательной деятельности и способствуют формированию информационной компетентности учащихся, являются проектные технологии. Совместная деятельность по работе над электронным проектом демонстрирует широкие возможности сотрудничества, в ходе которого учащиеся распределяют роли, помогающие всесторонне проявлять компетентность личности.
Преимущества использования в учебном процессе мультимедиа ресурсов:
- наглядность при объявлении темы, при рассмотрении фотографий;
- быстрая проверка самостоятельных заданий учащихся в опорных конспектах: формул, схем, выводов;
- решение задач и просмотр результата;
- позволяет сэкономить время учителя для подготовки и проведения данного опыта на уроке.
- реальный опыт провести невозможно, а анимация показывает, как на самом деле будут вести себя рассматриваемые объекты.
4. Тест на компьютере:
- даёт возможность быстро проверить знания учащихся, полученные на нескольких предыдущих и данном уроках;
- позволяет увидеть учителю степень усвоения материала и умение проверять полученные знания для решения качественных задач;
- сразу же сделать работу над ошибками.
5. Компьютерное моделирование является одним из эффективных методов изучения сложных систем.
Все эти преимущества использования ИКТ в учебном процессе в сочетании с рассказом учителя позволяют развивать внимание и визуальное мышление – способность представлять образы и управлять ими в воображении. А визуальное (образное теоретическое) мышление является основой понимания.
Таким образом, использование ИКТ - технологий на уроках и во внеурочной деятельности позволяет оптимизировать учебно-воспитательный процесс, вовлечь в него учеников как субъектов образовательного процесса, развивать творчество, самостоятельность и критичность мышления.
Использование компьютерных технологий в обучении позволяет дифференцировать учебную деятельность на занятиях, активизирует познавательный интерес обучающихся, развивает их творческие способности, стимулирует умственную деятельность.
-75%
В то время как некоторые называют AI и ML сверхъестественными темами, которые являются не чем иным, как утверждениями или просто программированием, я предлагаю вам лично встретиться со всеми доказательствами, чтобы проверить это. В этом посте я сопоставлю эти термины, а также продемонстрирую разницу между специалистами, работающими в этих двух сферах: кто они? Инженер-программист, разработчик программного обеспечения, специалист по машинному обучению, специалист по данным… некоторые люди даже используют программиста или программиста, а некоторые даже достигают уровня ниндзя, гуру или рок-звезды! Но они действительно одинаковы? И если так, есть ли грань между машинным обучением и традиционным программированием?
Легко сказать, что AI и ML - не что иное, как утверждения. Или более того, это просто статистика. Что еще мы слышим об этом? ML - просто новое слово, чтобы описать математические алгоритмы? Иногда такие упрощения кажутся смешными, но, очевидно, ML более сложный.
Но давайте посмотрим на более подходящее объяснение.
Итак, простыми словами,Искусственный интеллектэто зонтик, который содержит другие сферы, такие как обработка изображений, когнитивные науки, нейронные сети и многое другое. Машинное обучение также является компонентом, расположенным под этим зонтиком. Его основная идея заключается в том, что компьютер не просто использует заранее написанный алгоритм, но и учится решать проблему самостоятельно. Или, чтобы объяснить это другими словами, есть отличное определениеАртур Самуэль(кто на самом деле придумал термин ОД):
Машинное обучение - это область обучения, которая дает компьютерам возможность учиться без явного программирования.
Так что, да, ML учат машину решать различные сложные задачи, которые трудно решить алгоритмически. Каковы эти задачи? Ну, вы, наверное, уже наткнулись на них на практике. Например, это может быть распознавание лица на вашем телефоне или распознавание голоса, вождение автомобиля (Google Self-Driving Car), диагностика заболеваний по симптомам (Watson), советы по продуктам, книги (Amazon), фильмы (Netflix), музыка (Spotify ), выполнять функции личного помощника (Сири, Кортана)… этот список можно продолжать и продолжать.
Хорошо, я надеюсь, что это было достаточно ясно, и теперь пришло время перейти к другому важному вопросу о ML.
На текущем этапе развития у нас есть машинное обучение на стыке второго и третьего уровней. Благодаря этому скорость изменения мира с помощью этой технологии растет с космической скоростью.
Последнее, но не самое важное в ML: большинство задач по ML можно разделить на обучение с учителем (обучение под наблюдением) и обучение без учителя (обучение без учителя). И если вы представляете программиста с кнутом в одной руке и кусочком сахара в другой, вы немного ошибаетесь.
Имя «учитель» означает идею вмешательства человека в обработку данных. При обучении с учителем, которыйконтролируемое обучениеУ нас есть данные, и нам нужно что-то прогнозировать на их основе. С другой стороны, при обучении без учителя, которыйнеконтролируемое обучениеУ нас снова есть данные, но здесь нам нужно найти их свойства.
В традиционном программировании вы жестко программируете поведение программы. В машинном обучении вы многое оставляете машине для изучения данных.
Следовательно, эти термины не являются взаимозаменяемыми: инженер данных не может заменить работу традиционного программирования и наоборот. Хотя каждый инженер данных обязан использовать хотя бы один язык кодирования, традиционное программирование - это лишь малая часть того, что он (или она?) Делает. С другой стороны, мы не можем сказать, что разработчик программного обеспечения использует ML-алгоритмы для запуска веб-сайта.
ML, как и AI, - это не замена, а дополнение к традиционным подходам к программированию. Например, ML можно использовать для построения прогнозирующих алгоритмов для платформы онлайн-торговли, в то время как пользовательский интерфейс, визуализация данных и другие элементы платформы будут выполняться на основном языке программирования, таком как Ruby или Java.
Итак, вот главное: ML используется в том случае, когда традиционная стратегия программирования отстает и ее недостаточно для полной реализации определенной задачи.
Что это значит на практике? Вот отличное объяснение на основе классической ML-проблемы прогнозирования обменного курса и двух разных способов сделать это:
Традиционный подход к программированию
Для любого решения первой задачей является создание наиболее подходящего алгоритма и написание кода. После этого необходимо установить входные параметры и, фактически, если реализованный алгоритм в порядке, он даст ожидаемый результат.
Как разработчик программного обеспечения создает решение
Однако, когда нам нужно что-то предсказать, нам нужно использовать алгоритм с различными входными параметрами. В случае прогнозирования обменного курса необходимо добавить такие детали, как вчерашний курс; внешние и внутренние экономические изменения в стране, которая выпускает валюту и многое другое.
Следовательно, мы разрабатываем решение, способное принимать набор параметров и, основываясь на входных данных, прогнозировать новый обменный курс.
Но крайне важно добавить еще одну вещь или быть более ясной в такой проблеме. Так что же это?
Ну, это просто, нам нужно добавить тысячу и сотни параметров, в то время как их ограниченный набор позволяет построить очень простую и масштабируемую модель. Так что да, любому человеку сложно работать с такими массивными массивами данных.
Тогда у нас есть немного другой подход машинного обучения для этой задачи, так что же это?
Чтобы решить ту же проблему, используя ML-методы, инженеры данных используют совершенно другую процедуру. Вместо того, чтобы разрабатывать алгоритм самостоятельно, им нужно собрать массив исторических данных, которые будут использоваться для полуавтоматического построения модели.
После управления удовлетворительным набором данных инженер данных загружает их в уже адаптированные ML-алгоритмы. Результатом является модель, которая может предсказать новый результат, получая новые данные в качестве входных данных.
Как инженер данных разрабатывает решение с использованием машинного обучения
Отличительной чертой ОД является то, что нет необходимости строить модель. Эту сложную, но значимую ответственность несут ML-алгоритмы. И эксперт ML только добавит незначительное изменение к этому.
Другое существенное различие между ML и Программированием определяется количеством входных параметров, которые модель способна обработать. Для точного прогноза вы должны добавить тысячи параметров и делать это с высокой точностью, поскольку каждый бит будет влиять на конечный результат. Человек априори не может построить алгоритм, который будет разумно использовать все эти детали.
Однако для ML таких ограничений нет. Пока у вас достаточно мощности процессора и памяти, вы можете использовать столько входных параметров, сколько считаете нужным. Несомненно, этот факт делает ML таким мощным и широко распространенным в наши дни.
Согласно Wiki,Наука о данныхэто междисциплинарная область, в которой используются научные методы, процессы, алгоритмы и системы для извлечения знаний и знаний из структурированных и неструктурированных данных.
Пока что это звучит не очень круто.
Но тут есть кое-что интересное:
использовать самые мощные аппаратные средства, самые мощные системы программирования и самые эффективные алгоритмы для решения проблем.
А потом еще более интересная часть:
В 2012 году Harvard Business Review назвал его «Самой сексуальной работой 21 века».
Итак, Data Science - это еще один обширный зонтик, как и Computer Science, только Data Science, предназначенная для обработки данных и извлечения из них полезной информации.
Как насчет программирования?Ученые данныхВ настоящее время это делается исключительно в интересах исследований. Они не только программисты, но они также должны иметь прикладную статистику или опыт исследований. Некоторые также занимаются разработкой программного обеспечения, особенно в компаниях, обслуживающих науку о данных / ML в своих продуктах. Самое интересное, что Data Scientist не обязан уметь хорошо программировать, но может быть ограничен такими инструментами, как Matlab, SPSS, SAS и т. Д.
Какова же должность инженера машинного обучения?
ПоложениеИнженер машинного обученияболее «технический». Другими словами, ML Engineer имеет больше общего с классической разработкой программного обеспечения, чем с Data Scientist.
Стандартные задачи ML Engineer, как правило, аналогичны Data Scientist. Вам также нужно уметь работать с данными, экспериментировать с различными алгоритмами машинного обучения, которые помогут решить проблему, создать прототипы и готовые решения.
Из ключевых отличий я бы выделил:
- Сильные навыки программирования на одном или нескольких языках (обычно Python);
- Меньше внимания уделяется умению работать в средах анализа данных, но больше внимания уделяется алгоритмам машинного обучения;
- Возможность использования в приложении готовых библиотек для разных стеков, например, NumPy / SciPy for Python;
- Возможность создавать распределенные приложения, используя Hadoop и многое другое.
А теперь давайте вернемся к программированию и рассмотрим, какие задачи возложены на программиста.
программистна самом деле это кто-то вроде аналитика данных или разработчика бизнес-систем. Им не нужно создавать системы самим, они просто пишут свободно структурированный код для существующих систем. Итак, да, мы можем назвать науку о данных новой волной программирования, но кодирование - это только малая часть. Так что не ошибайся.
Но если копать глубже, мы обнаружим, что есть и другие термины, такие какПрограммиста такжеРазработчик программного обеспеченияи оба они тоже не похожи. Например, разработчики программного обеспечения должны проектировать вещи. Они занимаются производственными приложениями, распределенными системами, параллелизмом, системами сборки, микросервисами. И, между прочим, разработчик программного обеспечения должен понимать все циклы разработки программного обеспечения, а не только его реализацию (которая иногда даже не требует программирования или кодирования).
Итак, программирование и машинное обучение… чувствуете ли вы разницу сейчас? Я надеюсь, что этот пост помог вам избежать путаницы вокруг этих терминов. Несомненно, у всех них есть что-то общее - технология, но число их различий гораздо больше. Таким образом, мл-инженер, инженер-программист и разработчик программного обеспечения совершенно не взаимозаменяемы.
Изучите более полезные советы и прочитайте темы допинга по искусству искусственного интеллекта, ML и науке о данных из моегосреднийилиInstagramблог.
Шаг 2 — Изучение различных концепций ML
Теперь, когда вы закончили с предварительными условиями, вы можете перейти к собственному изучению ML (что самое интересное!). Лучше начать с основ, а затем перейти к более сложным вещам. Некоторые из основных понятий в ML:
(а) Терминология машинного обучения
- Модель — модель — это конкретное представление, полученное из данных путем применения некоторого алгоритма машинного обучения. Модель также называется гипотезой.
- Функция — функция — это отдельное измеримое свойство данных. Набор числовых признаков может быть удобно описан вектором признаков. Векторы объектов подаются как входные данные для модели. Например, чтобы предсказать фрукт, могут быть такие особенности, как цвет, запах, вкус и т. Д.
- Target (Label) — целевая переменная или метка — это значение, прогнозируемое нашей моделью. Для примера с фруктами, обсуждаемого в разделе возможностей, метка с каждым набором входных данных будет называться фруктом, таким как яблоко, апельсин, банан и т. Д.
- Обучение . Идея состоит в том, чтобы предоставить набор входных данных (функций) и ожидаемых результатов (меток), поэтому после обучения у нас будет модель (гипотеза), которая затем отобразит новые данные в одной из обучаемых категорий.
- Прогнозирование. Как только наша модель будет готова, ей можно подать набор входных данных, на которые она будет предоставлять прогнозируемый результат (метку).
(б) Типы машинного обучения
- Контролируемое обучение — это включает в себя обучение из учебного набора данных с помеченными данными с использованием моделей классификации и регрессии. Этот процесс обучения продолжается до тех пор, пока не будет достигнут необходимый уровень производительности.
- Неподготовленное обучение — это включает использование немаркированных данных, а затем поиск базовой структуры в данных, чтобы узнать все больше и больше о самих данных с использованием моделей факторного и кластерного анализа.
- Обучаемое обучение под контролем. Это включает использование немаркированных данных, таких как неконтролируемое обучение, с небольшим количеством помеченных данных. Использование маркированных данных значительно повышает точность обучения, а также является более экономичным, чем контролируемое обучение.
- Усиление обучения — это включает в себя обучение оптимальным действиям методом проб и ошибок. Поэтому следующее действие определяется изучением поведения, основанного на текущем состоянии и максимизирующего вознаграждение в будущем.
(в) Как практиковать машинное обучение?
- Самая трудоемкая часть ML — это сбор, интеграция, очистка и предварительная обработка данных. Поэтому обязательно попрактикуйтесь с этим, потому что вам нужны высококачественные данные, но большие объемы данных часто являются грязными. Так вот куда больше времени уйдет .
- Изучите различные модели и попрактикуйтесь на реальных наборах данных. Это поможет вам понять, какие типы моделей подходят для различных ситуаций.
- Наряду с этими шагами, одинаково важно понимать, как интерпретировать результаты, полученные с использованием различных моделей. Это легче сделать, если вы понимаете различные параметры настройки и методы регуляризации, применяемые в разных моделях.
(d) Ресурсы для обучения машинному обучению:
Существуют различные онлайн и оффлайн ресурсы (бесплатные и платные!), Которые можно использовать для изучения машинного обучения. Некоторые из них представлены здесь:
- Для широкого ознакомления с машинным обучением достаточно популярным является курс машинного обучения Стэнфорда Эндрю Нга. Он посвящен машинному обучению, интеллектуальному анализу данных и статистическому распознаванию образов. Видеоролики с разъяснениями очень полезны для прояснения теории и основных понятий, лежащих в основе ML.
- Если вам нужно руководство для самообучения по машинному обучению, тогда вам пригодится ускоренный курс машинного обучения от Google, поскольку он предоставит вам введение в машинное обучение с видеолекциями, практическими примерами из практики и практическими упражнениями.
- Если вы предпочитаете автономный курс, курс Geeksforgeeks Machine Learning Foundation идеально подойдет вам. Этот курс научит вас различным концепциям машинного обучения, а также практическому опыту их применения в школьной среде.
Шаг 1 — Понимание предпосылок
Если вы гений, вы можете начать ML напрямую, но обычно есть некоторые предварительные условия, которые вам необходимо знать, включая линейную алгебру, многомерное исчисление, статистику и Python. И если вы этого не знаете, никогда не бойтесь! Вам не нужен доктор философии степень в этих темах, чтобы начать, но вам нужно базовое понимание.
(а) Изучить линейную алгебру и многомерное исчисление
Линейная алгебра и многомерное исчисление важны в машинном обучении. Однако степень их необходимости зависит от вашей роли ученого в области данных. Если вы больше сосредоточены на машинном обучении приложений, то не будете так сильно сосредоточены на математике, поскольку доступно много общих библиотек. Но если вы хотите сосредоточиться на исследованиях и разработках в области машинного обучения, то овладение линейной алгеброй и многофакторным исчислением очень важно, так как вам придется реализовать множество алгоритмов ML с нуля.
(б) изучать статистику
Данные играют огромную роль в машинном обучении. Фактически, около 80% вашего времени в качестве эксперта по ОД будет потрачено на сбор и очистку данных. А статистика — это поле, которое занимается сбором, анализом и представлением данных. Так что не удивительно, что вам нужно научиться этому .
Некоторые из ключевых понятий в статистике, которые важны, это статистическая значимость, распределение вероятностей, проверка гипотез, регрессия и т. Д. Кроме того, байесовское мышление также является очень важной частью ML, которая имеет дело с различными понятиями, такими как условная вероятность, априорные значения и постеры, Максимальная вероятность и т. Д.(с) Изучить Python
Некоторые люди предпочитают пропускать линейную алгебру, многовариантное исчисление и статистику и изучать их по мере проб и ошибок. Но одна вещь, которую вы абсолютно не можете пропустить, это Python ! Хотя есть и другие языки, которые вы можете использовать для машинного обучения, такие как R, Scala и т. Д. Python в настоящее время является самым популярным языком для ML. На самом деле, есть много библиотек Python, которые специально полезны для искусственного интеллекта и машинного обучения , таких как Keras , TensorFlow , Scikit-учиться и т.д.
Так что, если вы хотите изучать ML, лучше всего, если вы изучите Python! Вы можете сделать это, используя различные онлайн-ресурсы и курсы, такие как Fork Python, которые доступны бесплатно на GeeksforGeeks.
Как начать изучать ML?
Это грубая дорожная карта, которой вы можете следовать, чтобы стать безумно талантливым инженером машинного обучения. Конечно, вы всегда можете изменить шаги в соответствии с вашими потребностями для достижения желаемой конечной цели!
Читайте также: