«Обучая, вы будете учить, и обучая, вы будете учиться». — Фил Коллинз

Прежде чем вы начнете читать, я хочу прояснить, что я не являюсь экспертом в области преподавания и определенно не являюсь экспертом в области искусственного интеллекта или машинного обучения.

С учетом сказанного, последние 4 недели я провел наставничество в Белфастском A.I.Camp и Бирмингемском A.I.Camp, организованном Kainos. Это была отличная возможность, но, потратив 4 недели еще до этого на подготовку курса, я заметил, что есть МНОГО информации, которую нужно переварить, когда речь идет о машинном обучении.

Настолько, что это может быть пугающим, когда вы начинаете. Вы можете проверить мой блог коллеги, если вы хотите прочитать о том, как начать машинное обучение,

Думаю, можно с уверенностью сказать, что за эти 4 недели я кое-что узнал об обучении студентов машинному обучению. Итак, что я сделал, так это собрал некоторые моменты, которые, по моему мнению, полезно иметь в виду, когда вы обучаете других машинному обучению или чему-то еще в этом отношении.

Начать БОЛЬШОЕ

Я не предлагаю вам бросать людей, которых вы наставляете/обучаете, в бездну и надеяться, что они выберутся с другой стороны. Я имею в виду, начните с обзора; отступите на секунду и посмотрите все, что является выбранной вами темой и чем она может быть.

В качестве примера я возьму сверточные нейронные сети (CNN). Теперь есть много инструментов и даже больше методов для каждого инструмента для построения CNN, но это то, с чего вы начинаете!

Каждый инструмент и его различные методы следуют одной и той же схеме, так что учитесь этому. Я обнаружил, что как только я понял шаблоны и контекст этих методов машинного обучения, код было легко понять. Все хорошо, когда знаешь, как что-то программировать, но если ты на самом деле не понимаешь, что пишешь, какой в ​​этом смысл?

Как только те, кто находится там, чтобы учиться, понимают, что это за предмет, как он работает и почему он работает, только тогда, я думаю, важно, чтобы вы вникали в мельчайшие детали.

Показать и рассказать

Избегайте лекций, машинное обучение — это сложно, а говорить о теории с самого начала будет сложно любому, кто только начинает. Вот почему этот пункт называется Покажи и расскажи.

С самого начала заинтересуйте их чем-нибудь интересным, над чем они будут работать, или чем-то, что к концу урока они смогут воссоздать сами. Пытаться слушать, как кто-то подробно объясняет тему в течение длительного времени, сложно, вы, скорее всего, быстро потеряете их заинтересованность и в конечном итоге будете повторяться.

Я буду первым, кто признает, что мы попали в эту ловушку, пройдя учебник как лекцию. Это сработало, студенты многому научились, но я все еще считаю, что для этого есть лучший процесс. Существует множество инструментов, которые помогают в процессе обучения повысить эффективность обучения учащихся.

Идея геймификации интригует. Интересно посмотреть, как теория игрового дизайна применяется к обучению, и во многих отношениях это улучшает опыт как для учителя, так и для ученика.

Я подумал, что этот график хорошо иллюстрирует преимущества геймификации.

Возможности

Есть много действительно крутых вещей, которые вы можете сделать с помощью машинного обучения. Покажите их, точность или отзыв — это хорошо, но вы можете сделать гораздо больше.

Я продолжу тему CNN. В сверточной нейронной сети вы можете увидеть, что модель распознает как важные особенности изображения, по сути, вы можете увидеть то, что может компьютер.

Вот пример:

Вышеприведенное можно взять из предварительно обученной модели CNN, прежде чем она будет передана на полносвязный слой. Здесь я использовал InceptionV3, вы можете видеть, что модель нормально распознает область изображения, в которой находится собака. Те, кто в настоящее время работает в полевых условиях или проводит исследования, вероятно, видели это раньше. Тем не менее, я думаю, что это действительно круто, и мне бы очень хотелось увидеть что-то подобное, когда я только начинал.

Человеческие модели

Под этим я подразумеваю, что учащиеся должны отойти от своих компьютеров и вместо этого заставить их взаимодействовать друг с другом, подобно тому, как слои модели взаимодействуют друг с другом. Это может подпадать под ярлык геймификации, создавая деятельность, которая будет более увлекательной и увлекательной для вашей аудитории, пока они изучают выбранную вами тему.

Я всегда нахожу такие упражнения бесценными для понимания сути. Это отличный способ продемонстрировать физически, а не виртуально, как что-то работает. Когда мы это сделали, студенты смогли немного лучше понять, с чем они работают.

Ну наконец то…

И последнее, что я хочу отметить, это то, что если у вас когда-нибудь появится возможность научить кого-то, не упускайте ее. Мне было очень приятно и вдохновляюще работать с 37 студентами в течение 4 недель, и я надеюсь продолжать помогать людям в мире искусственного интеллекта и машинного обучения.

Вот несколько учебных ресурсов, которые я считаю отличным местом для бесплатного изучения машинного обучения:

Машинное обучение — это быстро развивающаяся область, и я очень рад разделить ее, мне не терпится увидеть, что будет дальше!