localizeflow[bot]
712688625c
|
3 months ago | |
|---|---|---|
| .. | ||
| README.md | 3 months ago | |
| assignment.md | 7 months ago | |
README.md
Въведение в машинното обучение
Въпросник преди лекцията
🎥 Кликнете върху снимката по-горе за кратко видео, разглеждащо този урок.
Добре дошли в този курс по класическо машинно обучение за начинаещи! Независимо дали сте напълно нови в тази тема, или сте опитен специалист по ML, който иска да подобри знанията си в определена област, радваме се, че сте с нас! Искаме да създадем приятелска стартова точка за вашето обучение по ML и с удоволствие ще оценяваме, отговаряме и включваме вашите обратни връзки.
🎥 Кликнете върху снимката по-горе за видео: Джон Гъттаг от MIT представя машинното обучение
Започване с машинно обучение
Преди да започнете с тази учебна програма, трябва компютърът ви да е настроен и готов за локално изпълнение на тетрадки.
- Настройте машината си с тези видеа. Използвайте следните връзки, за да научите как да инсталирате Python в системата си и как да настроите текстови редактор за разработка.
- Научете Python. Също се препоръчва да имате основни познания по Python, програмен език, полезен за дата сайънтисти, който използваме в курса.
- Научете Node.js и JavaScript. В курса използваме JavaScript няколко пъти при разработване на уеб приложения, затова ще трябва да имате инсталирани node и npm, както и Visual Studio Code за разработка както на Python, така и на JavaScript.
- Създайте GitHub акаунт. Тъй като ни намерихте тук в GitHub, може би вече имате акаунт, но ако не, създайте такъв и след това създайте форк на тази учебна програма за лична употреба. (Без колебание ни дайте звезда, също 😊)
- Запознайте се със Scikit-learn. Запознайте се с Scikit-learn, набор от библиотеки за ML, които използваме в тези уроци.
Какво е машинно обучение?
Терминът „машинно обучение“ е един от най-популярните и често използвани днес. Съществува немалка вероятност да сте чували този термин поне веднъж, ако имате някаква връзка с технологиите, независимо в коя сфера работите. Механизмите на машинното обучение обаче са загадка за повечето хора. За начинаещ в машинното обучение темата понякога може да изглежда претоварваща. Затова е важно да разберете какво всъщност е машинното обучение и да го изучавате стъпка по стъпка чрез практически примери.
Крива на шумотевицата
Google Trends показва последната „крива на шумотевицата“ за термина „машинно обучение“
Един мистериозен свят
Живеем във вселена, пълна с увлекателни мистерии. Велики учени като Стивън Хокинг, Алберт Айнщайн и много други са посветили живота си на търсенето на смислена информация, която разкрива загадките на света около нас. Това е човешкото състояние на учене: дете постепенно опознава нови неща и разкрива структурата на своя свят година след година, докато расте до възрастен.
Мозъкът на детето
Мозъкът и сетивата на децата възприемат фактите около тях и постепенно разучават скритите модели на живота, които им помагат да създават логически правила за разпознаване на научените модели. Процесът на учене на човешкия мозък прави човека най-сложно устроеното живо същество на този свят. Непрекъснатото учене, като откриваме скритите модели и след това иновираме върху тях, ни позволява да ставаме по-добри през целия си живот. Тази способност за учене и развиващата се способност е свързана с концепция наречена пластичност на мозъка. На повърхността можем да открием някои мотивационни прилики между процеса на учене в човешкия мозък и концепциите на машинното обучение.
Човешкият мозък
Човешкият мозък възприема неща от реалния свят, обработва възприетата информация, взема рационални решения и изпълнява действия според обстоятелствата. Това наричаме интелигентно поведение. Когато програмираме подобен интелигентен поведенчески процес на машина, това се нарича изкуствен интелект (AI).
Някои термини
Въпреки че термините могат да бъдат объркващи, машинното обучение (ML) е важна част от изкуствения интелект. ML се занимава с използването на специализирани алгоритми за откриване на смислена информация и намиране на скрити модели от възприети данни, за да подкрепи процеса на рационално вземане на решения.
AI, ML, Дълбоко обучение
Диаграма, показваща връзките между AI, ML, дълбоко обучение и наука за данните. Инфографика от Jen Looper, вдъхновена от този график
Концепции за обхващане
В тази учебна програма ще покрием само основните концепции на машинното обучение, които един начинаещ трябва да знае. Основно покриваме това, което наричаме „класическо машинно обучение“, като използваме Scikit-learn, отлична библиотека, която много студенти използват за въведение. За да разберете по-широките концепции на изкуствения интелект или дълбокото обучение, е необходима здрава основа в машинното обучение и бихме искали да я предоставим тук.
В този курс ще научите:
- основни концепции на машинното обучение
- историята на ML
- ML и справедливост
- техники за регресия в ML
- техники за класификация в ML
- техники за клъстеризация в ML
- техники за обработка на естествен език в ML
- техники за прогнозиране на времеви серии в ML
- подсилено обучение
- реални приложения на ML
Какво няма да покриваме
- дълбоко обучение
- невронни мрежи
- изкуствен интелект
За да осигурим по-добро обучително преживяване, ще избегнем сложностите на невронните мрежи, „дълбокото обучение“ – многослойно моделиране с невронни мрежи – и AI, който ще обсъдим в друга учебна програма. Също така предстои учебна програма по наука за данните, която ще се фокусира върху тази по-широка област.
Защо да изучаваме машинно обучение?
Машинното обучение, от системна перспектива, се дефинира като създаване на автоматизирани системи, които могат да научават скрити модели от данни, за да подпомагат интелигентното вземане на решения.
Тази мотивация е свободно вдъхновена от начина, по който човешкият мозък учи определени неща въз основа на данните, които възприема от външния свят.
✅ Помислете за момент защо един бизнес би искал да използва стратегии за машинно обучение вместо създаване на система с твърдо кодирани правила.
Защо качеството на данните е важно
Качествените данни подобряват представянето на модела. Лоши или шумни данни могат да доведат до неточни прогнози, дори когато се използват усъвършенствани алгоритми за машинно обучение.
Приложения на машинното обучение
Приложенията на машинното обучение са почти навсякъде и са толкова чести, колкото и данните, които текат в нашето общество, генерирани от нашите смартфони, свързани устройства и други системи. Предвид огромния потенциал на модерните алгоритми за машинно обучение, изследователите проучват тяхната способност да решават многомерни и многоотраслови проблеми от реалния живот с отлични резултати.
Примери за приложено ML
Можете да използвате машинно обучение по много начини:
- За прогнозиране на вероятността от заболяване според медицинската история или доклади на пациент.
- За използване на метеорологични данни за прогнозиране на метеорологични събития.
- За разбиране на настроението в текст.
- За откриване на фалшиви новини и спиране на разпространението на пропаганда.
Финанси, икономика, науки за Земята, космически изследвания, биомедицинско инженерство, когнитивни науки и дори хуманитарни области са адаптирали машинното обучение за решаване на тежки, базирани на данни проблеми в своята сфера.
Заключение
Машинното обучение автоматизира процеса на откриване на модели, като намира смислени прозрения от реални или генерирани данни. То се оказа изключително ценно в бизнеса, здравеопазването, финансите и др.
В близко бъдеще разбирането на основите на машинното обучение ще бъде задължително за хора от всяка сфера заради широкоразпространеното му прилагане.
🚀 Предизвикателство
Скицирайте, на хартия или чрез онлайн приложение като Excalidraw, разбирането си за разликите между AI, ML, дълбоко обучение и наука за данните. Добавете идеи за проблеми, които всяка от тези техники е добра да решава.
Въпросник след лекцията
Преглед и самообучение
За да научите повече за това как да работите с ML алгоритми в облака, следвайте този Обучителен път.
Вземете Обучителен път за основите на ML.
Задача
Отказ от отговорност: Този документ е преведен с помощта на AI преводачески услуга Co-op Translator. Въпреки че се стремим към точност, моля имайте предвид, че автоматизираните преводи могат да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да е недоразумения или неправилни тълкувания, произтичащи от използването на този превод.