localizeflow[bot]
f273a10eeb
|
3 months ago | |
|---|---|---|
| .. | ||
| README.md | 3 months ago | |
| assignment.md | 7 months ago | |
README.md
Εισαγωγή στη μηχανική μάθηση
Προ-διάλεξη κουίζ
🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα σύντομο βίντεο που εξηγεί αυτό το μάθημα.
Καλώς ήρθατε σε αυτό το μάθημα για την κλασική μηχανική μάθηση για αρχάριους! Είτε είστε εντελώς νέοι σε αυτό το θέμα, είτε ένας έμπειρος επαγγελματίας ML που θέλει να ανανεώσει τις γνώσεις του σε κάποιον τομέα, χαίρόμαστε που σας έχουμε μαζί μας! Θέλουμε να δημιουργήσουμε ένα φιλικό σημείο εκκίνησης για τις σπουδές σας στην ML και θα χαρούμε να αξιολογήσουμε, να απαντήσουμε και να ενσωματώσουμε τα σχόλιά σας.
🎥 Κάντε κλικ στην εικόνα παραπάνω για βίντεο: Ο John Guttag του MIT παρουσιάζει τη μηχανική μάθηση
Ξεκινώντας με τη μηχανική μάθηση
Πριν ξεκινήσετε με αυτό το πρόγραμμα σπουδών, πρέπει να έχετε τον υπολογιστή σας έτοιμο για εκτέλεση σημειωματάριων τοπικά.
- Ρυθμίστε τον υπολογιστή σας με αυτά τα βίντεο. Χρησιμοποιήστε τους παρακάτω συνδέσμους για να μάθετε πώς να εγκαταστήσετε το Python στο σύστημά σας και να ρυθμίσετε έναν επεξεργαστή κειμένου για ανάπτυξη.
- Μάθετε Python. Συνιστάται επίσης να έχετε βασική κατανόηση του Python, μιας γλώσσας προγραμματισμού χρήσιμης για επιστήμονες δεδομένων που χρησιμοποιούμε σε αυτό το μάθημα.
- Μάθετε Node.js και JavaScript. Χρησιμοποιούμε επίσης JavaScript λίγες φορές σε αυτό το μάθημα κατά την ανάπτυξη web εφαρμογών, οπότε θα χρειαστεί να έχετε εγκατεστημένα το node και το npm, καθώς και το Visual Studio Code διαθέσιμο για ανάπτυξη Python και JavaScript.
- Δημιουργήστε λογαριασμό στο GitHub. Δεδομένου ότι μας βρήκατε εδώ στο GitHub, ίσως ήδη έχετε λογαριασμό, αλλά αν όχι, δημιουργήστε έναν και στη συνέχεια κάντε fork αυτό το πρόγραμμα σπουδών για προσωπική χρήση. (Να μας βάζετε και αστέρι, αν θέλετε 😊)
- Εξερευνήστε το Scikit-learn. Εξοικειωθείτε με το Scikit-learn, ένα σύνολο βιβλιοθηκών ML που αναφερόμαστε σε αυτά τα μαθήματα.
Τι είναι η μηχανική μάθηση;
Ο όρος «μηχανική μάθηση» είναι ένας από τους πιο δημοφιλείς και συχνά χρησιμοποιούμενους όρους σήμερα. Υπάρχει σημαντική πιθανότητα να έχετε ακούσει αυτόν τον όρο τουλάχιστον μία φορά αν έχετε κάποια εξοικείωση με την τεχνολογία, ανεξάρτητα από τον τομέα στον οποίο εργάζεστε. Ωστόσο, οι μηχανισμοί της μηχανικής μάθησης είναι άγνωστοι στους περισσότερους ανθρώπους. Για έναν αρχάριο στη μηχανική μάθηση, το θέμα μπορεί μερικές φορές να φαίνεται συντριπτικό. Επομένως, είναι σημαντικό να κατανοήσουμε τι ακριβώς είναι η μηχανική μάθηση και να μάθουμε βήμα-βήμα, μέσα από πρακτικά παραδείγματα.
Η καμπύλη της υπερβολής
Το Google Trends δείχνει την πρόσφατη «καμπύλη υπερβολής» του όρου «μηχανική μάθηση»
Ένα μυστηριώδες σύμπαν
Ζούμε σε ένα σύμπαν γεμάτο συναρπαστικά μυστήρια. Μεγάλοι επιστήμονες όπως ο Stephen Hawking, ο Albert Einstein και πολλοί άλλοι αφιέρωσαν τη ζωή τους στην αναζήτηση ουσιωδών πληροφοριών που αποκαλύπτουν τα μυστήρια του κόσμου γύρω μας. Αυτή είναι η ανθρώπινη φύση της μάθησης: ένα ανθρώπινο παιδί μαθαίνει νέα πράγματα και αποκαλύπτει τη δομή του κόσμου του χρόνο με τον χρόνο καθώς μεγαλώνει και φτάνει στην ενηλικίωση.
Ο εγκέφαλος του παιδιού
Ο εγκέφαλος και οι αισθήσεις ενός παιδιού αντιλαμβάνονται τα γεγονότα του περιβάλλοντος και σταδιακά μαθαίνουν τα κρυφά πρότυπα της ζωής, τα οποία βοηθούν το παιδί να διαμορφώσει λογικούς κανόνες για να αναγνωρίζει τα μαθεμένα πρότυπα. Η διαδικασία μάθησης του ανθρώπινου εγκεφάλου κάνει τον άνθρωπο το πιο εξελιγμένο έμβιο όν αυτού του κόσμου. Η συνεχής μάθηση μέσω της ανακάλυψης κρυφών προτύπων και η καινοτομία πάνω σε αυτά τα πρότυπα μας επιτρέπει να γινόμαστε όλο και καλύτεροι καθ’ όλη τη διάρκεια της ζωής μας. Αυτή η ικανότητα μάθησης και εξελισσόμενης δυνατότητας σχετίζεται με μια έννοια που ονομάζεται πλαστικότητα του εγκεφάλου. Επιφανειακά, μπορούμε να αντλήσουμε κάποιες παραλληλίες για κίνητρο μεταξύ της διαδικασίας μάθησης του ανθρώπινου εγκεφάλου και των εννοιών της μηχανικής μάθησης.
Ο ανθρώπινος εγκέφαλος
Ο ανθρώπινος εγκέφαλος αντιλαμβάνεται πράγματα από τον πραγματικό κόσμο, επεξεργάζεται τις αντιληφθείσες πληροφορίες, παίρνει ορθολογικές αποφάσεις και εκτελεί ορισμένες ενέργειες με βάση τις συνθήκες. Αυτό ονομάζουμε συμπεριφορά με νοημοσύνη. Όταν προγραμματίζουμε μία εκδοχή αυτής της διαδικασίας νοητικής συμπεριφοράς σε μια μηχανή, το ονομάζουμε τεχνητή νοημοσύνη (AI).
Λίγη ορολογία
Παρόλο που οι όροι μπορούν να συγχέονται, η μηχανική μάθηση (ML) είναι ένα σημαντικό υποσύνολο της τεχνητής νοημοσύνης. Η ML ασχολείται με τη χρήση εξειδικευμένων αλγορίθμων για την ανεύρεση ουσιωδών πληροφοριών και την εύρεση κρυφών προτύπων από αντιληπτά δεδομένα ώστε να υποστηρίξει τη λογική διαδικασία λήψης αποφάσεων.
AI, ML, Βαθιά Μάθηση
Διάγραμμα που δείχνει τις σχέσεις μεταξύ AI, ML, βαθιάς μάθησης και επιστήμης δεδομένων. Γραφικό από Jen Looper εμπνευσμένο από αυτό το γραφικό
Έννοιες που θα καλυφθούν
Σε αυτό το πρόγραμμα σπουδών θα καλύψουμε μόνο τις βασικές έννοιες της μηχανικής μάθησης που πρέπει να γνωρίζει ένας αρχάριος. Καλύπτουμε αυτό που ονομάζουμε «κλασική μηχανική μάθηση», κυρίως χρησιμοποιώντας το Scikit-learn, μια εξαιρετική βιβλιοθήκη που πολλοί φοιτητές χρησιμοποιούν για να μάθουν τα βασικά. Για να κατανοήσει κανείς ευρύτερες έννοιες της τεχνητής νοημοσύνης ή της βαθιάς μάθησης, μια ισχυρή θεμελιώδης γνώση της μηχανικής μάθησης είναι απαραίτητη, και γι’ αυτό θέλουμε να την προσφέρουμε εδώ.
Σε αυτό το μάθημα θα μάθετε:
- βασικές έννοιες της μηχανικής μάθησης
- την ιστορία της ML
- ML και δικαιοσύνη
- τεχνικές παλινδρόμησης ML
- τεχνικές ταξινόμησης ML
- τεχνικές ομαδοποίησης ML
- τεχνικές επεξεργασίας φυσικής γλώσσας ML
- τεχνικές πρόβλεψης χρονοσειρών ML
- ενισχυτική μάθηση
- εφαρμογές πραγματικού κόσμου για ML
Τι δεν θα καλύψουμε
- βαθιά μάθηση
- νευρωνικά δίκτυα
- AI
Για μια καλύτερη μαθησιακή εμπειρία, θα αποφύγουμε τις πολυπλοκότητες των νευρωνικών δικτύων, της «βαθιάς μάθησης» – πολλαπλών επιπέδων μοντελοποίησης με νευρωνικά δίκτυα – και της AI, την οποία θα εξετάσουμε σε διαφορετικό πρόγραμμα σπουδών. Επίσης θα προσφέρουμε στον μέλλον ένα πρόγραμμα για την επιστήμη δεδομένων που θα εστιάσει σε αυτόν τον τομέα.
Γιατί να μελετήσετε μηχανική μάθηση;
Η μηχανική μάθηση, από την οπτική συστημάτων, ορίζεται ως η δημιουργία αυτοματοποιημένων συστημάτων που μπορούν να μάθουν κρυφά πρότυπα από δεδομένα για να βοηθήσουν στη λήψη ευφυών αποφάσεων.
Αυτή η ώθηση εμπνέεται χαλαρά από το πώς ο ανθρώπινος εγκέφαλος μαθαίνει ορισμένα πράγματα βάσει των δεδομένων που αντιλαμβάνεται από τον εξωτερικό κόσμο.
✅ Σκεφτείτε για ένα λεπτό γιατί μια επιχείρηση θα ήθελε να χρησιμοποιήσει στρατηγικές μηχανικής μάθησης αντί να δημιουργήσει μια μηχανή βασισμένη σε αυστηρούς κανόνες.
Γιατί έχει σημασία η ποιότητα των δεδομένων
Τα δεδομένα υψηλής ποιότητας βελτιώνουν την απόδοση του μοντέλου. Κακά ή θορυβώδη δεδομένα μπορούν να οδηγήσουν σε ανακριβείς προβλέψεις, ακόμα και με τη χρήση προηγμένων αλγορίθμων μηχανικής μάθησης.
Εφαρμογές της μηχανικής μάθησης
Οι εφαρμογές της μηχανικής μάθησης είναι πλέον σχεδόν παντού, τόσο διαδεδομένες όσο τα δεδομένα που ρέουν στην κοινωνία μας, που παράγονται από τα έξυπνα τηλέφωνά μας, τις συνδεδεμένες συσκευές και άλλα συστήματα. Λαμβάνοντας υπόψη το τεράστιο δυναμικό των σύγχρονων αλγορίθμων μηχανικής μάθησης, οι ερευνητές εξερευνούν τις δυνατότητές τους να λύσουν πολυδιάστατα και διεπιστημονικά προβλήματα της πραγματικής ζωής με θετικά αποτελέσματα.
Παραδείγματα εφαρμογής ML
Μπορείτε να χρησιμοποιήσετε τη μηχανική μάθηση με πολλούς τρόπους:
- Να προβλέψετε την πιθανότητα ασθένειας από το ιατρικό ιστορικό ή τις αναφορές ενός ασθενούς.
- Να χρησιμοποιήσετε δεδομένα καιρού για να προβλέψετε καιρικά φαινόμενα.
- Να κατανοήσετε τη συναισθηματική φόρτιση ενός κειμένου.
- Να ανιχνεύσετε ψευδείς ειδήσεις για να σταματήσετε τη διάδοση προπαγάνδας.
Οι χρηματοοικονομικοί τομείς, η οικονομία, η γεωεπιστήμη, η εξερεύνηση του διαστήματος, η βιοϊατρική μηχανική, οι γνωστικές επιστήμες και ακόμη και οι ανθρωπιστικές επιστήμες έχουν υιοθετήσει τη μηχανική μάθηση για να λύσουν τα δύσκολα, βαριά στην επεξεργασία των δεδομένων, προβλήματα του τομέα τους.
Συμπέρασμα
Η μηχανική μάθηση αυτοματοποιεί τη διαδικασία ανακάλυψης προτύπων βρίσκοντας ουσιώδη στοιχεία από δεδομένα του πραγματικού κόσμου ή παραγόμενα δεδομένα. Έχει αποδειχτεί πολύτιμη σε επιχειρήσεις, την υγεία και τις χρηματοοικονομικές εφαρμογές, μεταξύ άλλων.
Στο κοντινό μέλλον, η κατανόηση των βασικών της μηχανικής μάθησης θα γίνει απαραίτητη για ανθρώπους από κάθε τομέα λόγω της ευρείας υιοθέτησής της.
🚀 Πρόκληση
Σχεδιάστε, σε χαρτί ή χρησιμοποιώντας μια διαδικτυακή εφαρμογή όπως το Excalidraw, την κατανόησή σας για τις διαφορές μεταξύ AI, ML, βαθιάς μάθησης και επιστήμης δεδομένων. Προσθέστε μερικές ιδέες για τα προβλήματα που καλείται καλό να λύσει η κάθε τεχνική.
Μετα-διάλεξη κουίζ
Επανεξέταση & Αυτοδιδασκαλία
Για να μάθετε περισσότερα για το πώς μπορείτε να εργαστείτε με αλγορίθμους ML στο σύννεφο, ακολουθήστε αυτή τη διαδρομή εκμάθησης.
Παρακολουθήστε μια διαδρομή εκμάθησης για τα βασικά της ML.
Άσκηση
Αποποίηση ευθυνών: Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης με τεχνητή νοημοσύνη Co-op Translator. Ενώ επιδιώκουμε την ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.