Mašīnmācīšanās attīstība: izveidojiet viedos programmatūras robotus

Atklāšana: Jūsu atbalsts palīdz vietnei darboties! Mēs nopelnām nodošanas maksu par dažiem pakalpojumiem, kurus mēs iesakām šajā lapā.


Mašīnmācība ir datorzinātnes joma, kurā tiek pētīta datora spēja patstāvīgi mācīties, nepārprotami to neprogrammējot. Mašīnmācība tiek izmantota dažādos skaitļošanas scenārijos, kur neprognozējamības dēļ nav iespējams ieprogrammēt skaidrus algoritmus, piemēram, surogātpasta filtrēšanā, datu ieguvē un analītikā, OCR, ļaunprātīgas programmatūras noteikšanā, kustības izsekošanā un modeļa atpazīšanā.

Īsa vēsture

AI pirmajās dienās zinātnieki bija ieinteresēti, lai mašīnas “mācītos” no ienākošajiem datiem. Šajās agrīnajās mašīnmācīšanās pieejās tika izmantotas dažādas simboliskās metodes un neironu tīkli, bet aizvien lielāks loģiskās, uz zināšanām balstītās pieejas uzsvars izraisīja šķelšanos starp AI un mašīnmācību..

Mašīnmācība attīstījās no mākslīgā intelekta attīstības meklējumiem un 90. gadu sākumā ieguva popularitāti kā atsevišķa datorzinātnes nozare. Mašīnmācības fokuss novirzījās no simboliskās pieejas, kas mantota no AI, uz praktisku problēmu risināšanu, izmantojot statistiskās metodes un modeļus, un varbūtību teoriju. Mašīnmācība ir guvusi lielu labumu no digitalizēto datu lielākas pieejamības un iespējas izplatīt datus internetā (piemēram, “lielie dati”)..

Mašīnmācīšanās teorija un pieejas

“Mācīšanās” mašīnas galvenais mērķis ir vispārināt no savas pieredzes. Faktiski tā ir mācību mašīnas spēja precīzi veikt iepriekš neredzētus uzdevumus, paļaujoties uz tā mācību datu kopu.

Mašīnmācīšanās uzdevumus bieži klasificē trīs galvenajās kategorijās atkarībā no uzdevuma rakstura un mācīšanās signāla:

  • Pārraudzīta mācīšanās – mācību mašīnai tiek parādīti ievadītie piemēri un no tiem izrietošie rezultāti. Mērķis ir iemācīties vispārīgu noteikumu, kas kartētu ieejas izejas.
  • Bez uzraudzības – mācīšanās mašīna tiek atstāta viena, lai mēģinātu atrast ievades struktūru. Nepietiekama mācīšanās var būt mērķis pats par sevi.
  • Pastiprināšanas mācīšanās – mašīna mijiedarbojas ar dinamisko vidi, kur tai jāveic noteikts uzdevums, piemēram, autonoma transportlīdzekļa vadīšana. Mācību mašīnai tiek sniegta atgriezeniskā saite attiecībā uz atlīdzību vai sodiem uzdevuma laikā.

Lai risinātu konkrētas problēmas vai uzdevumus, tika izstrādātas daudzas mašīnmācīšanās koncepcijas vai algoritmi. Saraksts ir plašs, tāpēc mēs nosauksim tikai dažus jēdzienus: lēmumu pieņemšanas koka mācīšanās, asociācijas koka mācīšanās, padziļināta mācīšanās, induktīvās loģikas programmēšana, klasterizācijas veidošana, reprezentācijas mācīšanās, līdzības un metriskās mācības, uz noteikumiem balstīta mašīnmācība utt..

Mašīnmācība paver arī daudzus ētiskus jautājumus. Mācību mašīnas izmanto datu kopas, lai iegūtu informāciju un pieņemtu lēmumus, un, ja šīs datu kopas ir neobjektīvas, šīs nobīdes var parādīties mācību mašīnas darbības laikā. Atbildīga un objektīva datu vākšana ir kritiska mašīnmācīšanās sastāvdaļa.

Mašīnmācīšanās resursi

Niršana mašīnmācībā prasa vairākus priekšnoteikumus. Jums jābūt datorzinātņu un matemātikas vai statistikas zināšanām, un acīmredzot jums būs nepieciešama laba izpratne par tehnoloģijām un programmēšanu kopumā..

Tiešsaistē ir pieejami daudzi kursi un mācību resursi, un mēs izdalījām dažus no tiem:

  • Endrjū Nga mašīnmācības lekciju kolekcija no Stenforda kursa 229. vietne YouTube sniedz lielisku ievadi mašīnmācībā un statistiskā modeļa atpazīšanā.
  • Ievads mašīnmācībai ir bezmaksas tiešsaistes kurss vietnē Udacity.com. Šis kurss iemācīs jums iegūt un identificēt noderīgas funkcijas, kas vislabāk atspoguļo jūsu datus, dažus no vissvarīgākajiem mašīnmācīšanās algoritmiem un to, kā novērtēt mašīnu mācīšanās algoritmu veiktspēju. Nepieciešama lietotāja reģistrācija.
  • Google padziļināta mācīšanās ir Google bezmaksas dziļās mācīšanās kurss, kuru rīko Udacity.com. Tiek lēsts, ka tas aizņems apmēram trīs mēnešus, izmantojot sešas stundas nedēļā. Acīmredzot tas nav paredzēts absolūtiem iesācējiem, bet tā mērķis ir palīdzēt pieredzējušiem inženieriem un datu zinātniekiem tikt galā ar dziļajām mācībām, kā arī ar Google TensorFlow tehnoloģiju. Nepieciešama lietotāja reģistrācija.

Varat arī izmēģināt eksperimentus ar dažām publiski pieejamām lielajām datu kopām un pārbaudīt, vai jūsu teorijas darbosies praksē:

  • ASV valdības dati
  • Sanfrancisko pilsētas dati
  • Reddit datu kopas

Mašīnu apguves grāmatas

Mašīnmācības grāmatas parasti ir diezgan populāras, un jūs daudz tās atradīsit drukātā veidā. Daži no tiem ir ļoti labi, taču mēs iesakām vispirms izpētīt tiešsaistes resursus un meklēt konkrētu algoritmu vai metodi, kas jūs interesē.

Ja jūs joprojām dodat priekšroku kraukšķīgai papīra krokai, šeit ir dažas mašīnmācības grāmatas, kuras jums vajadzētu apskatīt:

  • Mašīnmācība: varbūtības perspektīva (2012), ko veidojis Kevins P Mērfijs, piedāvā visaptverošu un patstāvīgu ievadu mašīnmācības jomā, kuras pamatā ir vienota, varbūtības pieeja. Pārklājums apvieno platumu un dziļumu, piedāvājot nepieciešamo fona materiālu par tādām tēmām kā varbūtība, optimizācija un lineārā algebra, kā arī diskusija par jaunākajiem notikumiem šajā jomā.
  • Christopher M Bishop modeļa atpazīšana un mašīnmācīšanās (2007) piedāvā aptuvenus secinājumu algoritmus, kas ļauj ātri sniegt aptuvenas atbildes situācijās, kad precīzas atbildes nav iespējamas. Netiek pieņemtas nekādas iepriekšējas zināšanas par modeļa atpazīšanu vai mašīnmācīšanās koncepcijām.
  • Visa statistika: precīzs statistisko secinājumu kurss (2004), ko sastādījis Lerijs Vīzermans, aptver visas statistikas tēmas, kas nepieciešamas ML jēdzienu izpratnei. Faktiski pati grāmata ir diezgan labs ievads daudzām raksturīgām ML pieejām, piemēram, regresijai un klasifikācijai.
  • Statistiskās mācīšanās elementi: datu ieguve, secinājumi un pareģojumi (2016), ko izstrādājuši Hastie, Tibshirani un Friedman, ir vērtīgs resurss statistiķiem un ikvienam, kuru interesē datu ieguve zinātnē vai rūpniecībā. Grāmatas atspoguļojums ir plašs, sākot no uzraudzītām mācībām (prognozēšanas) līdz bez uzraudzības.

Secinājums

Mašīnmācība vairs nav teorētisks vingrinājums, kā arī eksotiska datorzinātņu joma, kas paredzēta universitāšu laboratorijām. Tas sāk briest, un reālās pasaules lietojumprogrammu skaits mašīnmācībai pastāvīgi palielinās.

Lai arī tas izklausās iepriecinoši, jāatzīmē, ka mašīnmācības parasti tiek aprobežotas ar noteiktām nišām, un tas ir tikai vispārējs no tīri biznesa viedokļa. Citiem vārdiem sakot, citur ir jānopelna vairāk naudas, un izstrādātāji mēdz koncentrēties uz prasmēm, kuras viņi ar relatīvu vieglumu var gūt no naudas.

Tomēr, tā kā nozare pieņem mašīnmācību, izstrādātājiem būs jāturpina darboties. Tas nenozīmē, ka viņiem būs jākļūst par ekspertiem, izstrādājot jaunas pieejas mašīnmācībai, bet drīzāk tas, ka viņus var aicināt ieviest trešās puses mašīnmācīšanās tehnoloģiju savos produktos un pakalpojumos.

Papildu lasīšana un resursi

Mums ir vairāk ceļvežu, mācību materiālu un infografiku, kas saistīti ar kodēšanu un attīstību:

  • Prolog resursi: šī valoda tika īpaši izstrādāta valodas apstrādei.
  • Lisp: viena no pirmajām augsta līmeņa valodām, tā ir bijusi ārkārtīgi svarīga AI programmēšanā. Iepazīstieties ar mūsu rakstiem par Lisp variantiem: AutoLISP, Clojure, Common Lisp, Emacs Lisp un Scheme.
  • Kā izvairīties no iemīlēšanās tērzētavā: neskatoties uz nekaunīgo virsrakstu, šis infographic sniedz lielisku runājošo datoru vēsturi.

Superdatori veido cilvēces nākotni

Vai vēlaties uzzināt, kur patiesībā notiek AI pacelšanās? Iepazīstieties ar mūsu infografikām, superdatoriem, kas veido cilvēces nākotni

Superdatori veido cilvēces nākotni
Superdatori veido cilvēces nākotni

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