«Лучший способ предсказать будущее — создать его». — Питер Друкер
Я помню, как в колледже я участвовал в художественном конкурсе, где я нарисовал машину, выполняющую повседневные задачи человеческой рабочей силы. Очевидно, я не выиграл, но это видение никогда не исчезало для меня.
ИИ, он же искусственный интеллект
Это человек или машина? Так ли умны и эффективно работают компьютерные программы, как человеческий мозг?
ИИ относится к способности машины или компьютерной системы имитировать человеческий интеллект, включая способность учиться, рассуждать, решать проблемы и принимать решения.
Машинное обучение отделяется от ИИ
Машинное обучение — это область искусственного интеллекта (ИИ), которая включает разработку алгоритмов и статистических моделей, которые позволяют компьютерам учиться и делать прогнозы или решения на основе данных без явного программирования. Он включает в себя использование данных для обучения алгоритмов распознаванию закономерностей, прогнозированию или решению проблем без явного программирования для этого.
История машинного обучения
Он восходит к середине 20-го века, когда были разработаны ранние концепции и алгоритмы, которые заложили основу для современного машинного обучения.
1950s-1960s:
- Ранняя работа над искусственными нейронными сетями, персептронами и разработка алгоритма «персептрон Розенблатта», который был одним из первых алгоритмов обучения с учителем.
- Была введена концепция обучения с подкреплением, которая фокусируется на обучении агентов действиям в окружающей среде, чтобы максимизировать вознаграждение.
1970s-1980s:
- Разработка алгоритмов дерева решений, таких как ID3 и C4.5, которые используются для задач классификации.
- Внедрение алгоритма k-ближайших соседей, простого подхода к обучению на основе экземпляров.
- Была введена концепция неконтролируемого обучения, которая фокусируется на шаблонах или структурах обучения в данных без помеченных примеров.
1990s-2000s:
- Разработка машин опорных векторов (SVM), популярного алгоритма для задач бинарной классификации.
- Распространение ансамблевых методов, таких как бэггинг и бустинг, которые объединяют несколько моделей для повышения производительности.
- Внедрение методов ядра, таких как прием ядра, используемый в SVM, позволяет выполнять нелинейные преобразования данных.
- Разработка вероятностных графических моделей, таких как байесовские сети и модели Маркова, которые моделируют отношения между переменными в данных.
2010s-2020s:
- Прорывы в области глубокого обучения, в частности сверточных нейронных сетей (CNN) для распознавания изображений и рекуррентных нейронных сетей (RNN) для последовательной обработки данных.
- Достижения в области обработки естественного языка (NLP) включают встраивание слов, рекуррентные нейронные сети (RNN) и модели преобразования, такие как BERT и GPT-3.
- Рост больших данных и разработка масштабируемых сред машинного обучения, таких как Apache Spark и TensorFlow.
- Повышенное внимание к этическим соображениям в машинном обучении, включая справедливость, прозрачность и подотчетность.
Типы машинного обучения
Неконтролируемое обучение:
Основное внимание уделяется происшедшему.
- Неразмеченные данные
- Поиск закономерностей
- Обнаружение аномалий
- Извлечение признаков
- Нет наземной правды
- Уменьшение размерности
Относительные ссылки:
https://www.javatpoint.com/unsupervised-machine-learning
Обучение под наблюдением:
Основное внимание уделяется что произойдет.
- Помеченные данные
- Предиктивный анализ
- Классификация и регрессия
- Прямая обратная связь
- Оценка модели
- Выбор модели и настройка
Относительные ссылки:
https://www.javatpoint.com/supervised-machine-learning
Обучение с подкреплением:
Основное внимание уделяется как это сделать.
- Разведка и эксплуатация
- Учимся на обратной связи
- Функция вознаграждения
- Обучение методом проб и ошибок
- Последовательное принятие решений
- Марковский процесс принятия решений
Относительное обучение:
https://www.geeksforgeeks.org/what-is-reinforcement-learning/
Машинное обучение и человек с улицы
- Персонализированный опыт. Сегодня большинству из нас нравится персонализированный опыт с помощью систем рекомендаций, используемых в интернет-магазинах, потоковых сервисах, социальных сетях и т. д. Эти рекомендации основаны на алгоритмах машинного обучения, которые анализируют наши данные для предоставления индивидуального контента, продуктов и услуг.
- Доступ к информации. Благодаря поисковым системам, виртуальным помощникам и инструментам языкового перевода информация стала для нас более доступной.
- Улучшенное здравоохранение. Он используется в медицинской диагностике, телемедицине и удаленном мониторинге, что делает медицинские услуги более доступными и удобными для обычных людей.
- Автоматизация задач. Он может автоматизировать повторяющиеся задачи, такие как обслуживание клиентов, ввод данных и обработка документов, высвобождая время, чтобы мы могли сосредоточиться на более значимых занятиях или развлечениях.
- Повышенная безопасность. Он используется в таких технологиях, как системы помощи водителю в автомобилях и устройствах для умного дома, которые могут повысить безопасность за счет уменьшения числа человеческих ошибок и несчастных случаев, делая повседневную жизнь более безопасной и удобной.
- Управление личными финансами. Алгоритмы могут анализировать финансовые данные и давать персонализированные финансовые рекомендации, помогая нам принимать обоснованные решения о составлении бюджета, инвестировании и финансовом планировании, потенциально улучшая наше финансовое благополучие.
- Воздействие на окружающую среду: его можно использовать в таких областях, как моделирование климата, оптимизация энергопотребления и управление отходами, что может оказать положительное влияние на окружающую среду и способствовать повышению качества жизни для всех.
Требования к машинному обучению
Python (https://www.python.org/), последняя версия 3.11.2, является популярным языком программирования благодаря обширным библиотекам, простоте использования и широкой поддержке сообщества.
Библиотеки:
Он имеет богатую экосистему библиотек машинного обучения, таких как TensorFlow, Keras, PyTorch, Scikit-Learn и NumPy, которые предоставляют мощные инструменты для построения моделей машинного обучения, обработки данных и оценки производительности моделей.
Полезные редакторы:
Начало работы с блокнотом Jupyter
Самый простой способ для новичка начать работу с Jupyter Notebooks — установить Anaconda.
Anaconda является наиболее широко используемым дистрибутивом Python для обработки данных и поставляется со всеми предустановленными самыми популярными библиотеками и инструментами.
Чтобы получить Anaconda, просто:
- Скачать последнюю версию Anaconda for Python последней версии.
- Установите Anaconda, следуя инструкциям на странице загрузки и/или в исполняемом файле.
- Откройте Jupyter с помощью ярлыка Anaconda.
4. Перейдите к папке, в которой вы хотите создать свой первый блокнот, нажмите кнопку раскрывающегося списка «Создать» в правом верхнем углу и выберите «Python 3»:
5. Интерфейс ноутбука
Есть два довольно важных термина: ячейки и ядра, которые являются ключевыми для понимания Jupyter.
- ядро — это «вычислительный механизм», который выполняет код, содержащийся в документе блокнота.
- ячейка – это контейнер для текста, отображаемого в блокноте, или кода, который должен выполняться ядром блокнота.
Введите print('Hello World!')
в ячейку и нажмите кнопку запуска.
Ура !! у вас есть готовый первый код Python.
Для получения дополнительной информации и ознакомления с Jupyter: https://jupyter-notebook.readthedocs.io/en/latest/
Книги, на которые стоит обратить внимание:
- «Распознавание образов и машинное обучение» Кристофера Бишопа: охватывает основы машинного обучения, включая различные модели, такие как линейная регрессия, логистическая регрессия, деревья решений, машины опорных векторов, нейронные сети и многое другое. Он также содержит подробные объяснения ключевых концепций и практических методов реализации. — Мой личный фаворит.
- «Практическое машинное обучение с помощью Scikit-Learn, Keras и TensorFlow» Орельена Жерона:
- «Глубокое обучение» Яна Гудфеллоу, Йошуа Бенджио и Аарона Курвилля
- «Машинное обучение Python» Себастьяна Рашка и Вахида Мирджалили:
- «Прикладное машинное обучение» Келлехера, Мак Нами и Д'Арси
Надеюсь, это поможет вам в вашем путешествии по ML.
Я продолжу писать больше на тему «Оценка модели, интеллектуальный анализ данных и т. д.». в будущих блогах.
Следите за обновлениями.