ЛУЧШИЕ ВИЗУАЛЫ ML

Что такое машинное обучение? - Наглядное объяснение.

9 тщательно отобранных изображений, интерактивные инструменты и блок-схемы, объясняющие машинное обучение.

Чтобы разобраться в машинном обучении, слов недостаточно. Эта статья познакомит вас с машинным обучением с использованием лучших наглядных объяснений, которые я встречал за последние 5 лет.

1. Машинное обучение находит закономерности в данных

Проще говоря, машинное обучение находит закономерности в данных и использует их для прогнозирования.

Если у вас есть большие объемы данных и вы хотите автоматизировать умные прогнозы, машинное обучение может стать правильным инструментом.

2. ИИ против машинного обучения против глубокого обучения

Давайте сначала избавимся от этого. В чем разница между ИИ, машинным обучением и глубоким обучением? Эта диаграмма от NVIDIA объясняет:

  • Искусственный интеллект - академическая дисциплина, основанная в начале 1950-х годов.
  • Машинное обучение - это изучение алгоритмов, которые учатся на собственном опыте. Он набирает обороты с 1980-х годов и является частью искусственного интеллекта.
  • Глубокое обучение - это новое подразделение машинного обучения с использованием нейронных сетей. Он оказался очень успешным в определенных областях (обработка изображений, видео, текста и аудио).

Итак, какой термин вам следует использовать?

  • Краткий ответ: это не так важно.
  • Более развернутый ответ. Практики чаще всего используют термин «машинное обучение» - он более конкретен, чем ИИ.

«Если он написан на Python, это машинное обучение; если это написано в PowerPoint, то это искусственный интеллект ». 😅

3. Разница между машинным обучением и «обычным» программным обеспечением.

Алгоритм машинного обучения - это тоже просто программное обеспечение. Так в чем же тогда большая разница?

3.1 Краткий ответ

В «обычном» программном обеспечении мы говорим компьютеру, что делать. С помощью машинного обучения мы говорим компьютеру, как самому вычислить ответ, используя данные, которые мы ему скармливаем.

3.2 Немного более длинный ответ

  • Обычное программное обеспечение - это в основном набор правил, написанных человеком и предназначенных для достижения определенного результата.
  • Программное обеспечение для машинного обучения самостоятельно находит правила (шаблоны) и пытается произвести определенный результат. Это программное обеспечение, которое пишет программное обеспечение. 🤯

Объясняется визуально:

4. Как обучаются алгоритмы машинного обучения?

Но как машинное обучение находит в данных правильные закономерности, чтобы делать прогнозы?

Команде R2D3 удалось визуализировать, как обучается модель машинного обучения. Задача: «Скажите, в Нью-Йорке квартира или в Сан-Франциско».

👉 Их интерактивная визуализация машинного обучения - не что иное, как героизм. Технически аккуратно и красиво.

5. А как насчет глубокого обучения?

Google поможет вам. Забудьте о скучных сетевых графиках. Посмотрите 👉 этот живой интерактивный пример того, как нейронная сеть обучается.

Вы даже можете изменить:

  • Параметры обучения, означающие конфигурацию (nobs) алгоритма;
  • Нейроны и слои, которые определяют, насколько сложной может быть модель;
  • Задача, чтобы модель научилась разделять точки по кругу, прямоугольнику или, что самое сложное, по спирали.

Для каждой модели вы можете наблюдать, как она улучшается со временем (тестовая потеря).

6. Но как работает нейронная сеть?

Нейронные сети немного сложнее, но если вы серьезно заинтересованы, тогда нет лучшего видео, чтобы объяснить это, чем 👉 3Blue1Brown - Что такое нейронная сеть, где Грант рассказывает вам, как нейронная сеть сеть распознает цифры.

7. Как узнать, машинное ли это обучение?

Вот простая и быстрая блок-схема, которая поможет вам выяснить, стоит ли машинное обучение за тем, что вы видите:

8. Каковы элементы решения машинного обучения?

На самом деле машинное обучение - это лишь небольшая часть любого решения для машинного обучения. Большая часть работы и кода уходит в инфраструктуру вокруг него:

  • Данные: сбор, проверка, анализ и подготовка данных для алгоритма;
  • Инфраструктура: развертывание, размещение и обслуживание модели машинного обучения;
  • Мониторинг: организация рабочих процессов, мониторинг и поддержка модели.

9. Какие бывают алгоритмы машинного обучения?

У нас есть выбор из множества алгоритмов. Они примерно попадают в следующие категории:

  • Классическое обучение: дальнейшее разделение на обучение с учителем (прогнозирование числа или категории на основе изучения примеров) или обучение без учителя (поиск кластеров в данных без каких-либо указаний).
  • Нейронные сети и глубокое обучение: алгоритмы, основанные на принципах многослойных перцептронов, которые очень полезны при прогнозировании с использованием изображений, текста, аудио, видео и данных временных рядов.
  • Обучение с подкреплением: алгоритмы, которые работают как естественная эволюция, улучшая свое поведение в циклах обучения, чтобы получить максимальную отдачу.
  • Ансамблевое обучение: алгоритмы, которые создают множество слабых моделей и объединяют их в сильную.

Резюме

Эти наглядные пособия должны дать вам хорошее представление обо всех основных концепциях машинного обучения. Чтобы глубже понять, как использовать машинное обучение в своих проектах, ознакомьтесь с нашим Руководством по машинному обучению: что нужно знать руководителям проектов.

Сообщите мне, если чего-то не хватает: [email protected].

Первоначально опубликовано на https://www.datarevenue.com.