Paano Magsimula sa Pag-aaral ng Machine

Mga pagtatangka sa disenyo ng mga makina na mas matalino kaysa sa mga tao ay hindi bago. Isa sa mga maagang pag-atake na ginawa ng agham ng computer sa “intelligence” ng tao ay sa pamamagitan ng laro ng chess. Ang chess ay (o dapat nating sabihin, ay?) Ipinagpalagay ng marami bilang panghuli pagsubok ng talino at pagkamalikhain ng tao, at bumalik noong 1960-70, mayroong iba’t ibang mga paaralan ng pag-iisip sa loob ng agham ng computer.


Ang ilan ay nanindigan na sandali lamang bago pa maabutan ng mga computer ang mga tao sa paglalaro ng chess, habang ang iba ay naniniwala na hindi ito mangyayari.

Kasparov kumpara sa Deep Blue

Ang pinakapang-akit na kaganapan na nagtatampok ng tao kumpara sa makina sa labanan ng pag-iisip ay ang 1996 chess match sa pagitan ng pagkatapos ng kampeon sa mundo na si Garry Kasparov (at totoo, ang pinakamahusay na chess player kailanman) at Malalim na Asul, isang superkomputer na dinisenyo ng IBM para sa mismong kaganapan.

Credit ng larawan: Wikipedia

Upang maputol ang isang mahabang kwento ng maikling, nanalo si Kasparov sa tugma ng 1996 na nakakumbinsi (4-2), ngunit nawala ang rematch ng 1997 (4.5-3.5), sa gitna ng marami kontrobersya at direktang pagdaraya ni Kasparov laban sa IBM.

Anuman, natapos ang isang panahon sa chess at computer science. Ang mga kompyuter ay may karapatan na mas matalinong kaysa sa anumang posibleng buhay ng tao. Ang IBM, masaya sa paghihiganti, binawi ang Deep Blue at lumipat.

Ngayon, imposible para sa anumang grandmaster na matalo ang anumang regular na chess engine na tumatakbo sa hardware ng kalakal.

Ano ang Hindi Pagkatuto ng Machine

Bago natin masuri nang mabuti ang Pag-aaral ng Machine, alamin natin ang ilang mga maling akalain. Ang Pag-aaral ng Machine ay hindi, sa pamamagitan ng anumang kahabaan ng imahinasyon, isang pagtatangka sa pagtitiklop sa utak ng tao. Sa kabila ng mga paniniwala sa sensationalist na hawak ng mga gusto ni Elon Musk, ang mga pananaliksik sa science sa computer ay nagpapanatili na hindi nila hinahanap ang banal na butil na ito, at tiyak na hindi kahit saan malapit dito.

Ang simpleng pag-aaral, ang pag-aaral ng machine ay ang pagsasanay ng paglalapat ng mga proseso ng pag-aaral sa pag-aaral sa mga computer. Ito ay kaibahan sa tradisyonal na diskarte ng pag-asa sa isang tao na programmer upang isipin ang lahat ng mga posibleng mga sitwasyon at mga patakaran ng hard-code para sa kanila sa isang sistema.

Sa totoo lang, iyon ang tungkol sa pag-aaral ng makina: pagpapakain ng mga tonelada at tonelada at tonelada ng data sa isang computer upang malaman ito mula sa mga halimbawa (pagsubok → error → paghahambing → pagpapabuti) sa halip na umasa sa source code.

Mga Aplikasyon ng Learning sa Machine

Kaya, kung ang Pag-aaral ng Machine ay hindi black magic, at alinman sa isang bagay na pupunta sa mga Terminator, ano ang kapaki-pakinabang para sa?

Tumutulong ang Pag-aaral ng Machine sa mga kaso kung saan ang tradisyonal na programming ay bumagsak, at ang mga kasong ito ay karaniwang nahuhulog sa isa sa dalawang kategorya.

  1. Pag-uuri
  2. Pagtula

Tulad ng ipinahihiwatig ng pangalan, ang pag-aalala ng Pag-uuri sa mga bagay na may label nang tama, habang ang Prediction ay naglalayong iwasto ang mga pag-asa sa hinaharap, bibigyan ng isang malaking sapat na data set ng mga nakaraang halaga.

Ang ilan kagiliw-giliw na mga application ng Pag-aaral ng Machine ay:

Pagsala ng spam

Ang spam spam ay malaganap, ngunit sinusubukan upang ihinto ito ay maaaring maging isang bangungot. Paano lamang tinukoy ang spam? Ito ba ang pagkakaroon ng mga tiyak na keyword? O baka kung paano ito isinulat? Mahirap isipin ang isang kumpletong hanay ng mga patakaran, matalino sa programa.

Alin ang dahilan kung bakit ginagamit namin ang Learning sa Machine. Ipinakita namin sa system ang milyun-milyong mga mensahe ng spam at mga mensahe na hindi spam, at hayaan mong malaman ang natitira. Ito ang lihim sa likod ng hindi kapani-paniwalang mahusay na mga filter ng Gmail na tumba sa personal na email noong unang bahagi ng 2000s!

Mga rekomendasyon

Ang lahat ng mga pangunahing kumpanya ng e-commerce ngayon ay may malakas na mga sistema ng rekomendasyon. Kung minsan, ang kanilang kakayahang magrekomenda ng mga bagay na “maaari” nating kapaki-pakinabang ay hindi kapani-paniwalang tumpak, sa kabila ng hindi pa namin nai-click sa item na iyon bago.

Pagkakataon? Hindi talaga!

Ang Pag-aaral ng Machine ay mahirap sa trabaho dito, humuhuli ng mga terabytes pagkatapos ng mga terabytes ng data at sinusubukan na hulaan ang aming pabagu-bago na mga mood at kagustuhan.

Chatbots

Nakarating ka na ba sa first level ng suporta sa customer na tila kakaibang robotic at pa nakagawa ng kawili-wiling maliit na pag-uusap?

Kaya, pagkatapos ay napakita ka ng Pag-aaral ng Machine!

Pag-aaral mula sa mga pag-uusap at pagtukoy kung ano ang sasabihin kung kailan darating at kapana-panabik na lugar ng application ng chatbot.

Ang pagtanggal ng damo

Sa agrikultura, ang mga robot na pinapagana ng Machine Learning ay ginagamit upang mag-spray ng mga damo at iba pang mga hindi gustong mga halaman sa gitna ng mga pananim na napili.

Ito ay kung hindi man ay dapat gawin sa pamamagitan ng kamay, o magiging ligaw na aksaya dahil ang sistema ay mag-spray ng ani pati na rin sa pumatay ng likido!

Paghahanap sa boses

Ang pakikipag-ugnay na nakabatay sa boses sa mga sistema ng computer ay hindi pang-science fiction ngayon. Ngayon mayroon kaming mga digital na katulong tulad ng Alexa, Siri, at Google Home, na maaaring gumawa ng mga utos nang pasalita at hindi magulo (mabuti, halos!).

Ang ilan ay maaaring magtaltalan na ito ay isang imbensyon na pinakamahusay na maiiwasan dahil ginagawa nitong katamaran ang lahi ng tao kaysa sa dati, ngunit hindi ka maaaring magtaltalan sa pagiging epektibo. Halimbawa, sa Google I / O 2018, nagbigay ang kumpanya ng isang nakamamanghang demo kung ano ang hanggang sa koponan ng pananaliksik na ito.

Medikal na pagsusuri

Nakarating kami sa isang rebolusyon sa diagnosis ng medikal, dahil ang mga sistema ng batay sa Learning ng Machine ay nagsisimula na mas malaki ang mga nakaranas na mga doktor sa pagsusuri sa pamamagitan ng x-ray, atbp.

Mangyaring tandaan na hindi ito nangangahulugang hindi kinakailangan ng mga doktor, ngunit na ang kalidad ng pangangalagang medikal ay dadami nang kapansin-pansing, habang ang mga gastos ay kukuha ng isang ulos (maliban kung ang mga cartel ng negosyo ay nagdikta sa kabilang banda!).

Ito ay isang halimbawa lamang ng kung ano ang ginagamit sa Pag-aaral ng Machine. Mga sasakyan sa pagmamaneho sa sarili, mga diskarte sa paglalaro ng diskarte, mga machine ng natitiklop na t-shirt, pagbagsak ng captcha, pangkulay ng mga larawang itim at puti – maraming nangyayari ngayon.

Mga Uri ng Learning sa Machine

Ang mga pamamaraan sa Pag-aaral ng Machine ay may dalawang uri.

Pag-aaral ng Pangangasiwa, kung saan ang sistema ay nakatuon sa pamamagitan ng paghatol ng tao, at Hindi Pag-aaral na Pag-aaral, kung saan ang sistema ay naiwan upang malaman ang lahat sa kanyang sarili. Ang isa pang paraan ng pagsasabi ng parehong bagay ay sa Supervised Learning, mayroon kaming isang set ng data na naglalaman ng parehong mga input at inaasahang output, na ginagamit ng system upang ihambing at tama ang sarili. Gayunman, sa Unsupervised Learning, walang, walang umiiral na output upang masukat, at sa gayon, maaaring mag-iba ang mga resulta.

Isang kapana-panabik at buto-chilling application ng Unsupervised Machine Learning?

Iyon ang magiging mga bot sa paglalaro ng mga larong board, kung saan itinuro ang programa sa mga patakaran ng laro at mga panalong kondisyon, at pagkatapos ay naiwan sa sarili nitong mga aparato. Ang programa ay nagpe-play ng milyun-milyong mga laro laban sa kanyang sarili, natututo mula sa mga pagkakamali nito at nagpapatibay ng mga magagandang desisyon.

Kung ikaw ay nasa isang napakalakas na computer, ang isang naglalaro sa paglalaro ng AI ay maaaring maghanda sa loob ng ilang oras!

Ang mga sumusunod na larawan ay naglalarawan ng mga ideyang ito nang matagumpay (mapagkukunan: Katamtaman):

Mga mapagkukunan para sa pagsisimula sa Learning sa Machine

Kaya’t ngayon, lahat kayo ay nagpaputok tungkol sa Pag-aaral ng Makina at kung paano ito makakatulong sa iyo na malupig ang mundo, kung saan magsisimula?

Sa ibaba Nakalista ako ng ilang mga kamangha-manghang mapagkukunan sa Web na makakatulong sa iyo na makamit ang pagiging mahusay sa Pag-aaral ng Machine nang hindi kinakailangang makakuha ng Ph.D. sa computer science! Kung hindi ka isang researcher sa Pag-aaral ng Machine, makikita mo ang domain ng Machine Learning bilang praktikal at kasiya-siya bilang programming sa pangkalahatan.

Kaya, huwag kang mag-alala, anuman ang iyong antas sa kasalukuyan, maaari mo, tulad ng isang mahusay na programa sa Pag-aaral ng Machine, turuan ang iyong sarili at maging mas mahusay. ��

Programming

Ang unang kinakailangan para sa pagpasok sa Learning ng Machine ay ang pag-aaral sa programa. Iyon ay dahil ang mga sistema ng Learning Learning ay nagmula sa anyo ng mga aklatan para sa iba’t ibang mga wika sa programming.

Ang Python ang pinaka inirerekomenda na isa, bahagyang dahil ito ay hindi kapani-paniwalang kasiya-siya na matuto, at bahagyang dahil mayroon itong isang napakalaking ecosystem ng mga aklatan at mapagkukunan.

Ang opisyal Ang Gabay sa Baguhan ay isang mahusay na lugar upang magsimula, kahit na pamilyar ka sa Python. O kaya, dalhin ito Kurso ng Bootcamp upang maging isang bayani mula sa zero.

Mag-isip Stats

Kapag natapos mo na ang mga pangunahing kaalaman sa Python, ang aking pangalawang rekomendasyon ay upang dumaan sa dalawang hindi kapani-paniwalang magagandang libro. Sila ay 100% libre at magagamit bilang isang PDF para sa pag-download. Mag-isip Stats at Isipin Bayes ay dalawang makabagong klasiko na dapat na maisaayos ng bawat naghahangad na inhinyero ng Pag-aaral ng Machine.

Udemy

Sa puntong ito, inirerekumenda kong kumuha ka ng ilang mga kurso mula sa Udemy. Ang interactive, self-paced na format ay makakatulong sa iyong makapasok sa nakakatawa at mabuo ang kumpiyansa.

Tiyaking suriin mo ang preview ng kurso, mga pagsusuri (lalo na ang mga negatibo!), At pangkalahatang pakiramdam ng kurso bago ka magsimula.

Maaari mo ring makita ang mga kamangha-manghang mga tutorial sa YouTube nang libre. Sentdex ay isa sa mga channel na maaari kong inirerekumenda, kung saan ang mga tonelada ng kasiyahan ay palaging pupunta, ngunit ang diskarte na kinukuha niya ay hindi nagsisimula.

Andrew Ng

Kurso na itinuro ni Andrew Ng on Coursera arguably ang pinakapopular na mapagkukunan ng pagkatuto para sa mga pundasyon ng Learning sa Machine.

Kahit na ginagamit nito ang R programming language, nananatili itong walang kaparis sa paggamot nito sa paksa at masidhing paliwanag. Dahil sa kursong ito, nakamit ni Andrew Ng ang isang tulad ng diyos na tangkad sa mga bilog sa ML, at ang mga tao ay naghahanap sa kanya para sa tunay na karunungan (hindi ako kidding!).

Ito ay talagang hindi isang kurso para sa nagsisimula, ngunit kung mahusay ka sa data na nagkakagulo na at hindi mo naisip ang ilang pananaliksik sa tabi mo, ang kursong ito ay ang pinakamahusay na rekomendasyon.

Walang pagtatapos ng mga mapagkukunan sa internet, at madali kang mawala sa simula. Karamihan sa mga tutorial at talakayan sa labas ay may mga hamon sa matematika, o kakulangan ng isang istraktura, at maaaring masira ang iyong tiwala bago ka pa magsimula.

Kaya, nais kong bigyan ka ng babala laban sa pagkawasak sa sarili: panatilihing katamtaman ang iyong pakay at lumipat sa kaunting mga hakbang. Ang Pag-aaral ng Makina ay hindi isang bagay na maaari mong kumportable sa loob ng isang araw o dalawa, ngunit sa lalong madaling panahon ay magsisimulang mag-enjoy ka sa iyong sarili, at kung sino ang nakakaalam, marahil lumikha ng isang nakakatakot!

Magsaya! ��

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