![]() |
![]() |
![]() |
![]() |
Как стать экспертом по машинному обучению за пять минут и почему на это стоит потратить ещё пять лет |
|
МЕНЮ Искусственный интеллект Поиск Регистрация на сайте Помощь проекту ТЕМЫ Новости ИИ Искусственный интеллект Разработка ИИГолосовой помощник Городские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Техническое зрение Чат-боты Авторизация |
2018-11-25 14:07 ![]() Своим видением машинного обучения делится Aaron Edell, основатель MachineBox -- это классный ML-стартап, который наглядно демонстрирует опасный тренд, стремительное опопсевание ML. Причём опопсевание обычных программистских технологий не так печально -- всё равно надо знать программирование, уметь кодить, разбираться в технологиях, хотя бы поверхностно понимать устройство пакетов. Это была и будет классическая инженерная дисциплина с определённым, достаточно высоким порогом входа. Ко мне довольно много сейчас обращаются кто интересуется ML и хочет в эту сферу войти, но начиная бесплатно заниматься на первых занятиях по программированию с нуля, быстро сбегают -- "думал будет проще", "не моё", "надо много думать и заниматься" и т. д. В ситуации с машинным обучением ситуация прямо противоположная: например, прочитав эту статью, вы получите общее понимание темы ML, а попрактиковавшись на подходящем курсе, буквально 5-10 часов, научитесь довольно неплохо обучать модели и правильно подбирать датасеты. Никакой математики, никакого программирования, просто выучить десяток компьютерных паттернов. То есть здесь огромный разрыв между внешним и внутренним. Берёшь готовый контейнер в докере, где уже сотни натренированных моделей, готовые API распознавания к фейсбуку и вконтакте, готовые механизмы поиска-классификации, есть даже оркестровка когнитивных движков, и просто юзаешь. Это даже не DevOps, а уровень современного школьника в хорошем смысле. А вот как это сделано внутри, как это расширять, разрабатывать, развивать -- понять значительно сложнее, нежели научиться программировать даже на уровне приличного миддла. Потому что здесь стыкуются уже и обычное программирование, и "необычное", Software 2.0 Андрея Карпати https://vk.com/wall-152484379_402 Но отдельный огромный плюс этого всего, что получается отличная прокачка мозгов -- вроде занимаешься всё время относительно ограниченными темами классического программирования и вдруг свежий и оригинальный тренд. Итак, основные понятия ML. Ознакомившись с ними, вы сможете уверенно поддерживать беседы на эти темы :) 1. Сила машинного обучения в том, что оно умеет прогнозировать. Возможно, распознавание лиц на фотографиях, о чём мы все слышали, покажется необычной темой прогнозирования, однако это предсказание в чистом виде. Просто софт распознаёт лица очень точно, почти никогда не ошибается, и мы эту правильность воспринимаем естественно, но на самом деле это именно прогноз: программа предполагает, что, вероятно, это лицо такого-то человека. На самом деле, очень активно ML применяется в реальных прогнозах -- цен и погоды, транспортных пробок и задержек рейсов, распознавания речи и автоматического перевода, здоровья и кредитоспособности и уже ещё других тысяч и тысяч поведенческих аспектов нашей жизни, о чём мы не подозреваем. 2. Машинное обучение основано на тренировках софта. Сами по себе системы ML непосредственно к программированию имеют такое же отношение, как и любые другие компьютерные прикладные системы -- то есть никакого. Вы учите модели ML на конкретных примерах, по сути так же, как учите детей: показываете им правильные и неправильные данные (так называемые представления), и говорите, что надо научиться разделять реальную информацию по степени её "похожести" на правильность и неправильность. Собственно, в алгоритмах определения похожести и скрывается вся магия ML. Соответственно, чем нагляднее вы сформируете такие датасеты, с выраженными признаками нужного класса и с их выраженным отсутствием, тем эффективнее будет выдавать прогнозы похожести обученная модель. Неправильность желательно задавать не совсем абстрактными примерами в вакууме, а примерами, близкими к правильным, но качественно не такими. Например, если обучать распознаванию конкретной модели автомобиля, то в набор "неправильных" данных желательно включить побольше похожих автомобилей других марок. Кроме того, если например речь идёт об изображениях, распознаваемый объект желательно демонстрировать в разных цветах, с разных углов зрения и т. д. 3. Успех машинного обучения -- это точность 90%. Пока ML не умеет выдавать прогнозы с точностью 100%, да и люди тоже ошибаются. Негласный порог успешности обученной модели -- 90% правильных распознаваний. 10% ошибок -- не много ли? Когда речь идёт например о миллионе изображений, автоматическая классификация 900 тысяч из них экономит на самом деле огромное количество человеческих ресурсов. Кроме того, в серьёзных проектах уровень точности нередко составляет и 99%. 4. Машинное обучение -- это не искусственный интеллект AI, это не нейронные сети и это не глубинное обучение deep learning. ML -- это одна из технологий для AI. ML предназначено для выдачи прогнозов на основе тренировок на аккуратно подобранных наборах эталонных данных. Нейронные сети -- это один из классов алгоритмов ML. Они тюнингуют сами себя в процессе длительных тренировок, стараясь всё точнее и точнее "понять", как классифицировать представления, для чего глубина сеток (последовательности геометрических трансформаций векторных пространств) существенно увеличивается. Окончание следует Источник: m.vk.com ![]() Комментарии: |
|