Hur man kommer igång med maskininlärning

Försök att designa maskiner smartare än människor är inte nya. En av de mycket tidiga attackerna som datavetenskap gjorde på mänsklig ”intelligens” var genom schackspel. Schack antas (eller borde vi säga, var?) Av många som det ultimata testet av mänskligt intellekt och kreativitet, och tillbaka på 1960-70-talet fanns det olika tankekurser inom datavetenskap.


Vissa hävdade att det bara var en tidsfråga innan datorer gick över människan när de spelade schack, medan andra trodde att detta aldrig skulle hända.

Kasparov vs. Deep Blue

Det mest sensationella evenemanget med man mot maskin i tankeslaget var schackkampen 1996 mellan den dåvarande världsmästaren Garry Kasparov (och utan tvekan den bästa schackspelaren någonsin) och Djupblå, en superdator som IBM designade för just detta evenemang.

Bildkredit: Wikipedia

För att minska en lång historia, vann Kasparov matchen 1996 övertygande (4-2), men förlorade 1997-omkampen (4,5-3,5), mitt i mycket kontrovers och Kasparovs direkta fuskanklagelser mot IBM.

Hur som helst, en era i schack och datavetenskap var över. Datorer hade rätt smartare än någon levande människa som möjligt. IBM, nöjd med hämnden, demonterade Deep Blue och fortsatte.

Idag är det omöjligt för någon stormästare att slå någon vanlig schackmotor som körs på varuhårdvara.

Vad maskininlärning inte är

Innan vi tar en mer ingående titt på Machine Learning, låt oss få några missuppfattningar ur vägen. Maskininlärning är inte, genom någon fantasi, ett försök att replikera den mänskliga hjärnan. Trots sensationalistiska övertygelser som Elon Musk gillar, hävdar datavetenskapliga undersökningar att de inte söker detta heliga korn och absolut inte någonstans nära det.

Enkelt uttryckt är maskininlärning praxis att tillämpa inlärningsprocesser på datorer. Detta står i kontrast till det traditionella tillvägagångssättet att förlita sig på en mänsklig programmerare för att ta fram alla möjliga scenarier och regler för hårdkod för dem till ett system.

Ärligt talat, det handlar om vad maskininlärning är: mata ton och ton och massor av data till en dator så att den kan lära av exempel (test → fel → jämförelse → förbättring) snarare än att lita på källkoden.

Applications of Machine Learning

Så om maskininlärning inte är svart magi och varken är något som kommer att leka terminatorer, vad är det användbart för?

Maskininlärning hjälper i fall där traditionell programmering faller platt, och dessa fall faller vanligtvis in i en av de två kategorierna.

  1. Klassificering
  2. Förutsägelse

Som namnet antyder handlar klassificering om att märka saker korrekt, medan Prediction syftar till att korrigera framtida prognoser, med tanke på en tillräckligt stor uppsättning av tidigare värden.

Några intressanta applikationer för maskininlärning är:

Skräppostfiltrering

E-post spam är genomgripande, men att försöka stoppa det kan vara en mardröm. Hur definieras skräppost? Är det förekomst av specifika sökord? Eller kanske det är skrivet? Det är svårt att tänka på en uttömmande uppsättning regler, programmässigt.

Det är därför vi använder maskininlärning. Vi visar systemet miljoner skräppostmeddelanden och icke-skräppostmeddelanden och låter det räkna ut resten. Detta var hemligheten bakom Gmail: s otroligt bra skräppostfilter som skakade personlig e-post i början av 2000-talet!

rekommendationer

Alla stora e-handelsföretag har idag kraftfulla rekommendationssystem. Ibland är deras förmåga att rekommendera saker som vi ”kanske” tycker är användbara oerhört korrekt, trots att vi aldrig har klickat på det objektet tidigare.

Tillfällighet? Inte alls!

Maskininlärning är svårt att arbeta här, gabba upp terabyte efter terabyte med data och försöker förutsäga våra flyktiga stämningar och preferenser.

Chatbots

Har du stött på kundtjänst på första nivån som verkade konstigt robotic och som ändå kunde prata intressant small talk?

Tja, då har du blivit gjord av Machine Learning!

Att lära av konversationer och bestämma vad man ska säga när är ett kommande och spännande område i chatbot-applikationen.

Avlägsnande av ogräs

Inom jordbruket används robotar som drivs av Machine Learning för att spruta ogräs och andra oönskade växter mitt i grödor selektivt.

Detta skulle annars behöva göras för hand, eller skulle det vara mycket slöseri eftersom systemet skulle spruta produkterna också med mördningsvätskan!

Röstsökning

Röstbaserad interaktion med datorsystem är inte science fiction längre. Idag har vi digitala assistenter som Alexa, Siri och Google Home, som kan ta kommandon verbalt och inte röra sig (ja, nästan!).

Vissa kan hävda att det är en uppfinning som bäst undviks eftersom det gör mänskligheten slättare än någonsin, men du kan inte argumentera med effektiviteten. Till exempel, i Google I / O 2018, gav företaget en fantastisk demo av vad forskarteamet gjorde upp till.

Medicinsk diagnos

Vi är på väg till en revolution inom medicinsk diagnos, eftersom maskininlärningsbaserade system börjar överträffa erfarna läkare i diagnos genom röntgenstrålar osv.

Observera att detta inte betyder att läkare snart inte kommer att behövas, men att kvaliteten på medicinsk vård kommer att öka dramatiskt, medan kostnaderna kommer att ta ett steg (om inte företagskarteller föreskriver något annat!).

Detta var bara ett exempel på vad Machine Learning används för. Självkörande bilar, strategispel-spelande bots, t-shirt-vikningsmaskiner, captcha-brytning, färgning av svartvita foton – mycket händer i dag.

Typer av maskininlärning

Maskininlärningstekniker är av två slag.

Övervakad inlärning, där systemet styrs av mänsklig bedömning, och Oövervakat lärande, där systemet får lära sig allt av sig själv. Ett annat sätt att säga samma sak skulle vara att i Supervised Learning har vi en datauppsättning som innehåller både ingångarna och den förväntade utgången, som systemet använder för att jämföra och självkorrigera. I Unsupervised Learning finns det dock ingen befintlig produktion att mäta mot, och så kan resultaten variera mycket.

En spännande och benfrossande applikation av Unsupervised Machine Learning?

Det skulle vara bots som spelar brädspel, där programmet lärs upp spelreglerna och vinnande villkor och sedan lämnas till sina egna enheter. Programmet spelar sedan miljoner spel mot sig själv, lär sig av sina misstag och förstärker de fördelaktiga besluten.

Om du befinner dig på en tillräckligt kraftfull dator kan du spela AI världsslagen inom några timmar!

Följande bilder illustrerar dessa idéer kortfattat (källa: Medium):

Resurser för att komma igång i maskininlärning

Så nu när ni är helt uppslagen om maskininlärning och hur det kan hjälpa dig att erövra världen, var du ska börja?

Nedan har jag listat några fantastiska resurser på webben som kan hjälpa dig att uppnå flytande i maskinlärande utan att behöva få en doktorsexamen. inom datavetenskap! Om du inte är en maskinlärande forskare, kommer du att hitta domänen Machine Learning som praktisk och rolig som programmering i allmänhet.

Så oroa dig inte, oavsett vilken nivå du för närvarande kan du, som ett bra Machine Learning-program, lära dig själv och bli bättre. ��

Programmering

Det första kravet för att komma in i maskinlärande är att lära sig att programmera. Det beror på att maskininlärningssystem finns i form av bibliotek för olika programmeringsspråk.

Python är den mest rekommenderade, dels för att det är otroligt trevligt att lära sig, och dels för att det har ett massivt ekosystem med bibliotek och resurser.

De officiell Nybörjarguiden är ett bra ställe att börja, även om du är lite bekant med Python. Eller ta det här Bootcamp-kurs att bli en hjälte från noll.

Tänk statistik

När du är klar med grunderna i Python skulle min andra rekommendation vara att gå igenom två otroligt bra böcker. Dom är 100% gratis och finns som PDF för nedladdning. Tänk statistik och Tänk Bayes är två moderna klassiker som varje blivande maskinutbildningsingenjör ska internalisera.

Udemy

Just nu rekommenderar jag att du tar ett par kurser från Udemy. Det interaktiva, självhastiga formatet hjälper dig att komma in i det snygga och skaffa förtroende.

Se till att du kolla in förhandsvisningen av kursen, recensioner (särskilt de negativa!) Och den allmänna känslan av kursen innan du börjar.

Du kan också stöta på fantastiska tutorials på YouTube gratis. Sentdex är en sådan kanal jag kan rekommendera, där massor av kul alltid går, men den inställning han tar är inte nybörjarvänlig.

Andrew Ng

Kurs som undervisas av Andrew Ng på Coursera är utan tvekan den mest populära inlärningsresursen för grundläggande maskiner.

Även om det använder programmeringsspråket R, förblir det enastående i sin behandling av ämnet och de klara förklaringarna. På grund av denna kurs har Andrew Ng uppnått något av en gudlik status i ML-kretsarna, och folk ser upp till honom för ultimat visdom (jag tullar inte!).

Det här är verkligen inte en kurs för nybörjaren, men om du redan är bra på data som krånglar och inte bryr dig om lite sidoforskning när du går, är den här kursen den bästa rekommendationen.

Det finns inget slut på resurser på internet, och du kan lätt gå vilse när du börjar. De flesta tutorials och diskussioner där ute är matematiskt utmanande eller saknar struktur och kan bryta ditt förtroende innan du ens kommer igång.

Så jag vill varna dig mot självförstörelse: håll ditt mål blygsamt och rör dig i minimala steg. Machine Learning är inte något du kan bli bekväm inom en dag eller två, men ganska snart kommer du att börja njuta av dig, och vem vet, kanske till och med skapar något skrämmande!

Ha så kul! ��

Jeffrey Wilson Administrator
Sorry! The Author has not filled his profile.
follow me
    Комментариев нет, будьте первым кто его оставит

    Комментарии закрыты.

    Adblock
    detector