Семинары по программированию для чернокожих детей: веб-страницы, мобильные приложения, игры, роботы… и машинное обучение
Два недавних события, связанных с компьютерами, служат серьезным предупреждением о глобальном потеплении и искусственном интеллекте. Размышляя о глубоких последствиях каждого из этих событий, я был поражен тем фактом, что они были основаны на совершенно разных парадигмах программирования:
- Глобальное потепление. Да, неудобная правда», которая не исчезнет, на прошлой неделе получила еще одно компьютерное усиление благодаря отчету о сложном моделирование климата, которая предсказывала обрушение ледяных щитов, эпические суперштормы и даже мегаволны, забрасывающие валуны, в течение нескольких десятилетий, а не века, как предполагалось ранее. Конечно, один апокалиптический прогноз не превращает эту пугающую возможность в вероятное событие. У исследователей солидная репутация; поэтому мы должны ожидать, что их мрачные прогнозы станут предметом тщательного пересмотра и обсуждения в ближайшие месяцы. Отчет был освещен Gizmodo. Сам отчет также находится в сети.
- AlphaGo от Google. Еще один сбой в работе компьютера произошел две недели назад, когда программа искусственного интеллекта (ИИ) AlphaGo от Google обыграла ведущего чемпиона мира среди людей в игре в го в трех играх подряд. чтобы выиграть лучший матч из трех из пяти. Го на несколько порядков сложнее шахмат, настолько сложнее, что компьютер не сможет рассчитать все возможные последствия каждого из возможных ходов. Традиционных пошаговых алгоритмов недостаточно. AlphaGo могла бы победить человека-мастера игры только в том случае, если бы она могла воспринимать сложные закономерности и оценивать их относительные значения, т. е. если бы она воплощала в себе что-то вроде человеческой интуиции. Соответственно, большинство ведущих экспертов по ИИ не ожидали такой ошеломляющей победы ИИ не ранее, чем через десять-двадцать лет. Заглавная статья DLL TECH Dozens от 12 марта 2016 г. содержала ссылки на многочисленные отчеты, посвященные этой неожиданной победе ИИ.
Алгоритмы, выполняемые климатическим симулятором, были поэтапно написаны членами исследовательской группы на основе их мастерства в основных науках о климате. В противоположность этому, персонал технической поддержки AlphaGo имел лишь элементарное представление о сложной игре, которую полностью освоил их софт. Так как же AlphaGo добилась своей ошеломляющей победы, не запуская пошаговый код, написанный ее службой поддержки? Краткий ответ ==› «машинное обучение»
Почему активисты и преподаватели, которые стремятся сократить цифровой разрыв, запуская программы программирования для чернокожих детей, должны беспокоиться о машинном обучении? На мой взгляд, они должны быть обеспокоены, потому что машинное обучение больше не является «Следующей большой вещью». Триумфальное применение машинного обучения AlphaGo к самой сложной из когда-либо придуманных настольных игр доказывает, что машинное обучение внезапно стало актуальным.
Его широкое распространение в ближайшие несколько лет приведет к экспоненциальному увеличению производительности программного обеспечения. Незакодированная победа AlphaGo является своевременным напоминанием о том, что наиболее важными краткосрочными, среднесрочными и долгосрочными целями программ программирования для чернокожих детей никогда не должно быть развитие их навыков программирования, но всегда должно быть развитие их базовых навыков вычислительного мышления. Через несколько лет в мире, где все больше компьютерных систем смогут самостоятельно программировать, навыки вычислительного мышления повысят способность учащихся использовать эти системы самокодирования для понимания и решения самых сложных проблем… таких как глобальное потепление. .
Что такое машинное обучение?
Википедия дает следующее определение:
- Машинное обучение — это подобласть «информатики[, которая развилась из изучения распознавания образов и теории вычислительного обучения в искусственном интеллекте. В 1959 году Артур Сэмюэл определил машинное обучение как область исследования, которая дает компьютерам возможность учиться без явного программирования. Машинное обучение исследует изучение и построение алгоритмов, которые могут учиться и делать прогнозы на основе данных. Такие алгоритмы работают путем построения модели из примерных входных данных, чтобы делать прогнозы или решения на основе данных, а не следовать строго статическим инструкциям программы… Машинное обучение тесно связано с вычислительной статистикой и часто пересекается с ней; дисциплина, которая также фокусируется на прогнозировании с помощью компьютеров».
Что такое AlphaGo?
Вот описание из Википедии:
- AlphaGo — это компьютерная программа, разработанная компанией «Google DeepMind в Лондоне для игры в настольную игру Го. В октябре 2015 года она стала первой программой Computer Go, обыгравшей профессионального игрока в го без гандикапов на полноразмерной доске 19×19. В марте 2016 года она обыграла Ли Седоля в матче из пяти игр, впервые компьютерная программа Го обыграла профессионала 9 дан без форы. Хотя он проиграл Ли Седолу в четвертой игре, Ли отказался от финальной игры, дав окончательный счет 4 игры против 1 в пользу AlphaGo. В знак признания победы над Ли Седолем AlphaGo была награждена почетным 9-даном Корейской ассоциации бадук.
Как AlphaGo использовала машинное обучение?
Вот краткое объяснение из Википедии:
- Алгоритм AlphaGo использует «поиск по дереву Монте-Карло для поиска своих ходов на основе знаний, ранее выученных с помощью машинного обучения, в частности, с помощью искусственной нейронной сети (типа глубокого обучения) путем обширного обучения, как от человеческая и компьютерная игра».
Могут ли темнокожие подростки в возрасте от 7 до 17 понять машинное обучение?
Я говорю да, но я сам только начал изучать машинное обучение в апреле 2015 года. Мой первый курс был предложенMIT . (через edX), следующие десять — Университет Джона Хопкинса (через Coursera). В настоящее время я зачислен на десятый и последний курс Capstone в программе сертификации Хопкинса по Науке о данных. Хотя машинное обучение было в центре внимания только одного из десяти курсов Хопкинса, несколько других курсов и Capstone предоставили мне возможность применить свои новые навыки машинного обучения.
Основываясь на том, что я уже узнал, я уверен, что вводные курсы по машинному обучению могут быть разработаны для учащихся от 7 до 17 лет, которые будут такими же понятными и увлекательными, как курсы по разработке веб-страниц, мобильных приложений, игр и роботов. Конечно, мало знаний вещь опасная, но только если у кого-то хватит глупости действовать исключительно по рекомендациям новичка вроде меня. Поэтому я настоятельно рекомендую массовым организациям, таким как Black Girls CODE, Qeyno, YesWeCode, Blue1647. , Code/Interactive и Luma Lab отправляются прямо к экспертам из Стэнфорда, Массачусетского технологического института, Карнеги-Меллона и т. д. Я буду очень разочарован. если эти великие центры исследований и разработок во всех аспектах искусственного интеллекта не приветствуют возможность сотрудничать с общественными группами для разработки вводных семинаров по машинному обучению. С другой стороны, я не удивлюсь, если узнаю, что эти же учреждения уже начали разрабатывать подобные вводные программы самостоятельно.
