Gépi tanulás fejlesztése: Készítsen intelligens szoftverrobotokat

Közzététel: Támogatása segít fenntartani a webhely működését! Az ezen az oldalon javasolt szolgáltatások némelyikén referenciadíjat keresünk.


A gépi tanulás a számítógépes tudomány olyan területe, amely a számítógép önálló tanulási képességét vizsgálja anélkül, hogy kifejezetten programozták volna erre. A gépi tanulást különféle számítási forgatókönyvekben használják, ahol az explicit algoritmusok programozhatatlansága miatt lehetetlen, például spamszűrés, adatbányászat és elemzés, OCR, rosszindulatú programok észlelése, mozgáskövetés és mintafelismerés esetén..

Rövid története

Az AI korai napjaiban a tudósok érdekeltek abban, hogy a gépek „tanuljanak” a bejövő adatokból. A gépi tanulás korai megközelítéseiben különféle szimbolikus módszereket és neurális hálózatokat használták, de a logikus, tudásalapú megközelítés fokozódó hangsúlyozása megszakította az AI és a gépi tanulást.

A gépi tanulás a mesterséges intelligencia fejlesztésének törekvéseiből fejlődött ki, és az 1990-es évek elején szerezte el népszerűségét, mint külön számítástechnikai terület. A gépi tanulás fókuszában az AI-től örökölt szimbolikus megközelítés vált a gyakorlati problémák megoldására statisztikai módszerek és modellek, valamint a valószínűségi elmélet segítségével. A gépi tanulás nagyban részesült a digitalizált adatok fokozott elérhetősége és az adatok interneten történő terjesztésének lehetősége (pl. „Nagy adatok”)..

Gépi tanulás elmélete és megközelítései

A „tanulási” gép alapvető célja az, hogy tapasztalata alapján általánosítson. Valójában ez egy tanulási gép képessége a korábban még nem látott feladatok pontos elvégzésére, a tanulási adatkészletére támaszkodva.

A gépi tanulási feladatokat gyakran három fő kategóriába sorolják, a feladat jellegétől és a tanulási jeltől függően:

  • Felügyelt tanulás – a tanulási gépet példákkal és bemeneti outputokkal mutatják be. A cél egy általános szabály megtanulása, amely a bemeneteket az outputokhoz térképezi fel.
  • Felügyelet nélküli tanulás – a tanulási gépet magára hagyják, hogy megkíséreljék megtalálni a bemeneti struktúrát. A felügyelet nélküli tanulás önmagában is cél lehet.
  • Megerősítés tanulása – a gép kölcsönhatásba lép egy dinamikus környezettel, ahol meghatározott feladatot kell elvégeznie, például önálló járművezetést. A tanulási gépen visszatérítést kap a juttatás vagy büntetés szempontjából a feladat során.

Számos gépi tanulási koncepciót vagy algoritmust dolgoztak ki konkrét problémák vagy feladatok megoldására. A lista kiterjedt, ezért csak néhány fogalmat fogunk nevezni: döntési fa tanulás, asszociációs fa tanulás, mély tanulás, induktív logikai programozás, klaszterezés, reprezentációs tanulás, hasonlóság és metrikus tanulás, szabályalapú gépi tanulás stb..

A gépi tanulás számos etikai kérdést is felvet. A tanulógépek adatkészleteket használnak információk megszerzésére és döntések meghozatalára, és ha ezek az adathalmazok torzultak, akkor ezek az eltérések megjelenhetnek egy tanulógép működése során. A felelősségteljes és elfogulatlan adatgyűjtés a gépi tanulás kritikus része.

Gépi tanulási források

A gépi tanuláshoz való merülés számos előfeltételt igényel. A számítógépes és a matematikai vagy statisztikai háttérrel kell rendelkeznie, és nyilvánvalóan jól meg kell értenie a technológiát és általában a programozást.

Számos kurzus és tanulási forrás érhető el az interneten, és néhányat kiemelünk:

  • Andrew Ng Machine Learning előadásainak gyűjteménye a YouTube-on, a Stanford 229-es tanfolyamán nagyszerű bevezetést nyújt a gépi tanuláshoz és a statisztikai mintázatfelismeréshez.
  • Intro to Machine Learning egy ingyenes online tanfolyam a Udacity.com webhelyen. Ez a tanfolyam megtanulja az adatokhoz leginkább megfelelő hasznos funkciók kibontására és azonosítására, a néhány legfontosabb gépi tanulási algoritmusra, valamint a gépi tanulási algoritmusok teljesítményének értékelésére. Felhasználói regisztráció szükséges.
  • A Google mély tanulása a Google ingyenes mélytanulás tanfolyam, amelyet a Udacity.com üzemeltet. A becslések szerint körülbelül három hónapig tart a heti hat órás elkötelezettség. Nyilvánvalóan nem az abszolút kezdők számára, hanem célja, hogy segítse a már megalapozott mérnököket és az adattudósokat a mélyreható tanulás és a Google TensorFlow technológiájának megismerésében. Felhasználói regisztráció szükséges.

Kipróbálhatja néhány nyilvánosan elérhető nagy adatkészlettel is, és ellenőrizheti, hogy az elméletek a gyakorlatban is működnek-e:

  • Az Egyesült Államok kormányának adatai
  • San Francisco City Data
  • Reddit adatkészletek

Gépi tanulási könyvek

A gépi tanulási könyvek általában meglehetősen népszerűek, és sok ilyen anyagot talál nyomtatott formában. Néhány nagyon jó, de azt javasoljuk, hogy először vizsgálja meg az online erőforrásokat, és keresse meg az érdekli az algoritmust vagy módszert..

Ha továbbra is inkább a ropogós papírráncot szereti, íme néhány néhány gépi tanulási könyv, amelyeket érdemes megnéznie:

  • Gépi tanulás: Egy valószínűségi perspektíva (2012), Kevin P Murphy, átfogó és önálló bevezetést kínál a gépi tanulás területére, egységes, valószínűségi megközelítésen alapul. A lefedettség egyesíti a szélességet és a mélységet, biztosítva a szükséges háttéranyagot olyan témákban, mint a valószínűség, az optimalizálás és a lineáris algebra, valamint a terület legújabb fejleményeinek megbeszélése..
  • Mintafelismerés és gépi tanulás (2007), Christopher M Bishop hozzávetőleges következtetési algoritmusokat mutat be, amelyek lehetővé teszik a gyors hozzávetőleges válaszokat olyan helyzetekben, ahol a pontos válaszok nem kivitelezhetők. A mintázatfelismerés vagy a gépi tanulás fogalmainak korábbi ismereteit nem feltételezzük.
  • Összes statisztika: Larry Wasserman összefoglaló statisztikai következtetései (2004), a statisztika összes olyan témájával foglalkoznak, amelyekre szükség van az ML fogalmainak megértéséhez. Valójában maga a könyv nagyon jó bevezetést nyújt számos tipikus ML megközelítéshez, mint például a regresszió és az osztályozás.
  • A Hastie, Tibshirani és Friedman által készített statisztikai tanulás elemei: Adatbányászat, következtetés és előrejelzés (2016) értékes forrást jelentenek a statisztikusok és mindenki számára, aki érdeklődik az adatbányászat iránt a tudományban vagy az iparban. A könyv lefedettsége széles, a felügyelt tanulástól (előrejelzés) a felügyelet nélküli tanulásig.

Következtetés

A gépi tanulás már nem egy elméleti gyakorlat, és nem is az egzotikus számítástechnika, az egyetemi laboratóriumok számára fenntartva. Elkezd érezni, és a gépi tanuláshoz kapcsolódó valós alkalmazások száma folyamatosan növekszik.

Bár ez biztatónak tűnik, meg kell jegyezni, hogy a gépi tanulás alkalmazását általában bizonyos résekre korlátozzák, és pusztán üzleti szempontból ez a mainstream. Más szavakkal: több pénzt kell keresni másutt, és a fejlesztők inkább olyan készségekre összpontosítanak, amelyeket viszonylag könnyedén lehet pénzt felhasználni..

Mivel azonban az iparág átfogja a gépi tanulást, a fejlesztőknek lépést kell tartaniuk. Ez nem azt jelenti, hogy szakértőkké kell válniuk a gépi tanulás új megközelítéseinek kidolgozásában, hanem inkább arra, hogy felkérést kapjanak harmadik felek gépi tanulási technológiájának bevezetésére a termékekbe és szolgáltatásokba.

További olvasmányok és források

Több útmutató, oktatóanyag és infographics található a kódoláshoz és fejlesztéshez:

  • Prolog források: ezt a nyelvet különösen a nyelv feldolgozására fejlesztették ki.
  • Lisp: az egyik első magas szintű nyelv, rendkívül fontos az AI programozásban. Nézze meg a Lisp-variánsokról szóló cikkeket: AutoLISP, Clojure, Common Lisp, Emacs Lisp és Scheme.
  • Hogyan kerüljük el a szerelmes beszélgetést egy Chatbotban: a pimasz cím ellenére ez az infographic nagyszerű történetet biztosít a beszélő számítógépekről.

A szuperszámítógépek az emberiség jövőjét alakítják

Szeretné tudni, hogy az AI hol indul? Nézze meg az infographic, szuperszámítógépek alakítják az emberiség jövőjét

A szuperszámítógépek az emberiség jövőjét alakítják
A szuperszámítógépek az emberiség jövőjét alakítják

Jeffrey Wilson Administrator
Sorry! The Author has not filled his profile.
follow me