ИСПОЛЬЗОВАНИЕ ПОТЕНЦИАЛА МАШИННОГО ОБУЧЕНИЯ
«Возьмите набор данных, добавьте немного машинного обучения и вуаля, волшебство произойдет».
ОПРЕДЕЛЕНИЕ МАШИННОГО ОБУЧЕНИЯ
Согласно Википедии,Машинное обучение (ML) — это область исследований, посвященная пониманию и созданию методов, которые обучаются, т. е. которые используют данные для повышения производительности при выполнении определенного набора задач. Он рассматривается как часть искусственного интеллекта. Алгоритмы машинного обучения строят модель на основе выборочных данных, известных как данные для обучения, чтобы делать прогнозы или принимать решения без явного программирования для этого.
ПОНИМАНИЕ МАШИННОГО ОБУЧЕНИЯ
Чтобы полностью понять машинное обучение, позвольте мне отличить машинное обучение от традиционного программирования на примере простой программы для классификации натуральных чисел (1, 2, 3…) на нечетные и четные числа.
При использовании традиционного программирования сначала определяются правила того, как должна работать программа → если число делится на 2 без остатка, то число является четным числом. иначе это нечетное число. Затем данные передаются , и программа возвращает классификацию нечетных и четных чисел (возможно, два отдельных списка). Любые новые данные (числа), переданные в программу, классифицируются на основе предопределенных правил, установленных программистом.
При использовании машинного обучения правила не определяются программистом, машина должна выяснить (выучить) правила для этой классификации. Проще говоря, мы просим машину научиться классифицировать на нечетные и четные числа на основе данных примеров. Мы передаем обучающие данные, то есть образец уже классифицированных данных, затем программа определяет шаблон, связь между данными и соответствующим классом, и на основе этого шаблона/отношения она определяет правило для классификации любых новых данных ( номер), который передается.
Чтобы лучше понять, мы можем изучить нейронные сети, один из методов, с помощью которых машина учится. Нейронные сети — это метод машинного обучения, который имитирует сеть нейронов в человеческом мозгу, отвечающую за то, как мы учимся, и машина, имитирующая это, может затем учиться так же, как и мы.
ПОНИМАНИЕ ДАННЫХ
Что такое Данные, с которыми вы столкнулись? Википедия определяет Данные как отдельные факты, статистические данные или элементы информации, часто числовые. В более техническом смысле данные представляют собой набор значений качественных или количественных переменных об одном или нескольких лицах или объектах.
В последнее время данные стали довольно популярными, когда компании открыли для себя огромный потенциал данных, а пользователи стали более осведомлены о своих данных.
Данные — очень важный аспект машинного обучения. С данными, с помощью машинного обучения, мы можем открыть целый мир возможностей, и это лишь некоторые из них;
· Предугадывание текста на клавиатуре вашего повседневного телефона — после использования клавиатуры в течение некоторого времени она запоминает шаблоны, по которым вы печатаете, а затем точно предлагает слово, которое вы будете использовать в следующий раз.
· Платформы социальных сетей, такие как TikTok и YouTube, используют машинное обучение, чтобы обнаруживать закономерности в видео, которые вы смотрите, выяснять тип видео, которые вас интересуют, а затем предлагать эти видео вам, чтобы держать вас на крючке.
· Самоуправляемые автомобили и грузовики учатся ориентироваться на дороге с помощью машинного обучения
· В сфере здравоохранения новаторские достижения, такие как Диагностика рака кожи путем простого фотографирования кожи с помощью мобильного телефона.
· В сельском хозяйстве Обнаружение болезней маниоки с помощью изображений листьев маниоки очень помогло в раннем выявлении болезней и позволило избежать огромных потерь.
Со всеми этими достижениями мы едва коснулись того, что мы можем делать с помощью машинного обучения, и ВЫ можете стать частью следующего новаторского достижения.
ПЕРВЫЙ ШАГ В МАШИННОМ ОБУЧЕНИИ
Теперь, когда мы закончили изучение машинного обучения и его потенциала, как вы можете использовать этот потенциал, как вы можете стать частью этого, как именно выдвигать эти новаторские идеи, как мы создаем механизм, стоящий за этими удивительными функциями. .
Две наиболее известные платформы для создания механизмов машинного обучения: TensorFlow и PyTorch. Однако в этой статье я сосредоточусь на TensorFlow, с которым я знаком, а также являюсь сертифицированным разработчиком. TensorFlow принадлежит Google и используется многими приложениями, такими как Snapchat, Twitter, Uber и т. д.
Согласно tensorflow.org, TensorFlow — это сквозная платформа с открытым исходным кодом для машинного обучения. Он имеет комплексную и гибкую экосистему инструментов, библиотек и ресурсов сообщества, которая позволяет исследователям внедрять самые современные технологии машинного обучения, а разработчикам легко создавать и развертывать приложения на основе машинного обучения.
Прежде чем мы приступим к изучению TensorFlow, стоит отметить, что в мире всего, что касается данных, частью которых является машинное обучение, Python является универсальным языком. Почему? Если вы заинтересованы в том, чтобы войти в этот мир, и вы не знаете, как изучать Python, или вы абсолютный новичок в программировании, вот статья, написанная мной, чтобы помочь вам в вашем путешествии в области технологий.
ИЗУЧЕНИЕ ТЕНЗОРНОГО ПОТОКА
Теперь, как вы можете изучить TensorFlow?
С помощью перечисленных ниже методов;
· Прохождение курса deeplearning.ai, доступного на Coursera (платный курс)
· Прохождение Курса машинного обучения от Эндрю Нг, бесплатной альтернативы курсу выше
· Курс Введение в TensorFlow для курса глубокого обучения от TensorFlow — тоже отличный курс, к тому же бесплатный
· Вы также можете пройти уроки, доступные на официальном сайте.
· Кроме того, отличным ресурсом, который просто необходим, является книга Практическое машинное обучение с помощью Scikit-Learn, Keras и TensorFlow.
Исходя из опыта, лучший способ обучения — это сочетание перечисленных выше методов.
ПРОДВИНУТЬСЯ КАК ЛЮБИТЕЛЬ МАШИННОГО ОБУЧЕНИЯ
Изучив TensorFlow, вот несколько шагов, которые вы можете предпринять для продвижения вперед:
· Пройдите курс по науке о данных, чтобы лучше понять данные и обработку данных, это поможет укрепить вашу основу в области машинного обучения, а мы все знаем, насколько важна прочная основа для программиста.
· Изучите официальный веб-сайт TensorFlow, документацию, блоги и т. д.
· Изучите Веб-сайт Keras API и его документацию
· Посмотрите Плейлист MIT по введению в глубокое обучение, доступный на YouTube.
· Вы также можете сделать шаг вперед и сдать сертификационный экзамен TensorFlow
