Þróun vélanáms: Búðu til snjalla vélbúnaðar vélmenni

Birting: Stuðningur þinn hjálpar til við að halda vefnum í gangi! Við þénum tilvísunargjald fyrir sumar þjónusturnar sem við mælum með á þessari síðu.


Vélanám er svið tölvunarfræði sem rannsakar getu tölvu til að læra sjálfstætt, án þess að vera beinlínis forrituð til að gera það. Vélarnám er notað í ýmsum tölvumyndum þar sem forritun á skýrum reikniritum er ómöguleg vegna ófyrirsjáanleika, til dæmis við ruslpóstsíun, gagnavinnslu og greiningar, OCR, uppgötvun malware, hreyfingarmælingar og mynsturviðurkenningu.

Stutt saga

Á fyrstu dögum AI höfðu vísindamenn áhuga á að láta vélar „læra“ af komandi gögnum. Þessar fyrstu aðferðir við vélanám notuðu ýmsar táknrænar aðferðir og taugakerfi, en vaxandi áhersla á rökrétta, þekkingargrundaða nálgun olli klofningi milli AI og vélináms..

Vélarnám þróaðist frá leitinni að þróun gervigreindar og náði vinsældum snemma á tíunda áratugnum sem sérstakt svið tölvunarfræði. Fókusinn í vélanámi færðist frá táknrænni aðferð sem er arf frá AI, til að leysa hagnýt vandamál með tölfræðilegum aðferðum og líkönum og líkindafræði. Vélanám hefur notið mikils góðs af auknu framboði á stafrænu gögnum og möguleikanum á að dreifa gögnum á internetinu (td „stór gögn“).

Menntunarkenning og aðferðir

Meginmarkmið „læra“ vélar er að alhæfa út frá reynslu sinni. Reyndar er það hæfni námsvélar til að framkvæma nákvæmlega á áður óséðum verkefnum og treysta á námsgagnasafnið.

Vélanámsverkefni eru oft flokkuð í þrjá meginflokka, allt eftir eðli verkefnisins og námsmerki:

  • Umsjón með námi – kennsluvélin er sett fram með inntak og afrakstur þeirra. Markmiðið er að læra almenna reglu sem kortleggur aðföng til framleiðsla.
  • Nám án eftirlits – námsvélin er á eigin fótum til að reyna að finna uppbyggingu í inntakinu. Nám án eftirlits getur verið markmið í sjálfu sér.
  • Styrkingarnám – vélin hefur samskipti við kraftmikið umhverfi, þar sem hún verður að framkvæma skilgreint verkefni, til dæmis sjálfstjórnandi ökutæki. Námsvélin fær endurgjöf hvað varðar umbun eða refsingu við verkefnið.

Mörg vélanámshugtök, eða reiknirit, voru hugsuð til að leysa sérstök vandamál eða verkefni. Listinn er umfangsmikill, svo að við munum nefna nokkur hugtök: nám ákvörðunar tré, nám félagatrjáa, djúpt nám, inductive logic forritun, þyrping, framhaldsnám, líkt og metra nám, reglubundið vélanám og svo framvegis.

Vélarnám opnar einnig margar siðfræðilegar spurningar. Námsvélar nota gagnasett til að afla upplýsinga og taka ákvarðanir og ef þessi gagnapakkar eru hlutdrægir geta þessir hlutdrægir birtast meðan á notkun námsvélar stendur. Ábyrg og óhlutdræg gagnaöflun er mikilvægur liður í vélanámi.

Námsgögn í vélum

Að kafa í vélanám krefst fjölda forsenda. Þú ættir að hafa bakgrunn í tölvunarfræði og stærðfræði eða tölfræði og augljóslega þarftu góðan skilning á tækni og forritun almennt.

Fjölmörg námskeið og námsgögn eru fáanleg á netinu og við tókum saman nokkur:

  • Safn af Andrew Ng’s Machine Learning fyrirlestrum frá Stanford námskeiði 229 á YouTube veitir frábæra kynningu á vélanámi og tölfræðilegri mynstur viðurkenningu.
  • Intro to Machine Learning er ókeypis námskeið á netinu á Udacity.com. Þetta námskeið mun kenna þér hvernig á að vinna úr og bera kennsl á gagnlega eiginleika sem best tákna gögnin þín, nokkur mikilvægustu reiknirit vélarinnar og hvernig þú getur metið frammistöðu reikniritanna fyrir vélanám þitt. Notendaskráning er nauðsynleg.
  • Deep Learning frá Google er ókeypis námskeið fyrir djúpt nám hjá Google sem hýst er af Udacity.com. Talið er að það muni taka um þrjá mánuði að ljúka með sex tíma þátttöku á viku. Það er augljóslega ekki fyrir algera byrjendur, en miðar að því að hjálpa rótgrónum verkfræðingum og gagnafræðingum að ná tökum á djúpt námi sem og TensorFlow tækni Google. Notendaskráning er nauðsynleg.

Þú getur líka prófað að gera tilraunir með stórt stóran gagnapakka sem er aðgengilegur almenningi og kannað hvort kenningar þínar muni virka í reynd:

  • Gögn Bandaríkjastjórnar
  • San Francisco borgargögn
  • Reddit gagnapakkar

Vélanámbækur

Vinnanámsbækur hafa tilhneigingu til að vera nokkuð vinsælar og þú munt finna mikið af þeim á prenti. Sumt er mjög gott en við mælum með að fara fyrst í gegnum netauðlindirnar og leita að tilteknum reikniritum eða aðferð sem þú hefur áhuga á.

Ef þú kýst ennþá stökkan pappírshrun, eru hér nokkrar námsbækur fyrir vél sem þú ættir að kíkja á:

  • Machine Learning: A Probabilistic Perspective (2012) eftir Kevin P Murphy býður upp á víðtæka og sjálfstæða kynningu á sviði vélanáms, byggð á samræmdri, líklegri nálgun. Umfjöllunin sameinar breidd og dýpt og býður upp á nauðsynleg bakgrunnsefni um efni eins og líkur, hagræðingu og línulega algebru, svo og umfjöllun um nýlega þróun á þessu sviði.
  • Pattern Recognition and Machine Learning (2007) eftir Christopher M Bishop setur fram áætlaðar ályktanir um ályktanir sem gera kleift að ná hratt svörum við aðstæður þar sem nákvæm svör eru ekki framkvæmanleg. Ekki er gert ráð fyrir fyrri þekkingu á mynsturviðurkenningu eða vélanámshugtökum.
  • Allar tölfræði: Nákvæmt námskeið í tölfræðilegum ályktunum (2004) eftir Larry Wasserman nær yfir öll þau efni í tölfræði sem þú þarft til að skilja ML hugtök. Að vanda hefur bókin sjálf nokkuð góða kynningu á mörgum dæmigerðum ML-aðferðum eins og aðhvarf og flokkun.
  • The Elements of Statistical Learning: Data Mining, Inference and Prediction (2016) eftir Hastie, Tibshirani og Friedman er dýrmætur auðlind fyrir tölfræðinga og alla sem hafa áhuga á gagnavinnslu í vísindum eða iðnaði. Umfjöllun bókarinnar er víðtæk, frá námi undir eftirliti (spá) til ónámsins náms.

Niðurstaða

Vélanám er ekki lengur fræðileg æfing, né er framandi svið tölvunarfræði frátekið fyrir rannsóknarstofur háskólans. Það er farið að þroskast og fjöldi raunverulegra forrita fyrir vélinám fer stöðugt vaxandi.

Þó að þetta hljómi uppörvandi, skal tekið fram að atvinnu við nám í vélum er venjulega takmarkað við ákveðin veggskot og er allt annað en almennur frá eingöngu viðskiptasjónarmiði. Með öðrum orðum, það er meira fé sem þarf að vinna annars staðar og verktaki hefur tilhneigingu til að einbeita sér að færni sem þeir geta aflað tekna með tiltölulega auðveldum hætti.

Samt sem áður, þar sem iðnaðurinn tekur til vélanáms, munu verktaki þurfa að fylgjast með. Þetta þýðir ekki að þeir verði að verða sérfræðingar í því að þróa nýjar aðferðir við vélanám, heldur frekar að kalla megi á þær til að innleiða vélkennslutækni frá þriðja aðila í vörur sínar og þjónustu.

Frekari upplestur og úrræði

Við höfum fleiri handbækur, námskeið og infografics sem tengjast forritun og þróun:

  • Prolog Resources: þetta tungumál var sérstaklega þróað til að vinna tungumál.
  • Lisp: eitt af fyrstu tungumálunum á háu stigi, það hefur verið gríðarlega mikilvægt í forritun AI. Skoðaðu greinar okkar um Lisp afbrigði: AutoLISP, Clojure, Common Lisp, Emacs Lisp og Scheme.
  • Hvernig á að forðast að verða ástfangin af Chatbot: þrátt fyrir ósvífinn titil veitir þessi upplýsingafræðingur frábæra sögu um talandi tölvur.

Ofurtölvur eru að móta framtíð mannkynsins

Viltu vita hvar AI er í raun að taka burt? Skoðaðu infographic okkar, ofurtölvur eru að móta framtíð mannkynsins

Ofurtölvur eru að móta framtíð mannkynsins
Ofurtölvur eru að móta framtíð mannkynsins

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