localizeflow[bot]
3b2098a6fc
|
3 months ago | |
|---|---|---|
| .. | ||
| README.md | 3 months ago | |
| assignment.md | 7 months ago | |
README.md
Sissejuhatus masinõppesse
Eel-loengu viktoriin
🎥 Klõpsa ülaloleval pildil, et vaadata lühikest videot selle õppetöö kohta.
Tere tulemast sellele klassikalisele masinõppe kursusele algajatele! Kas oled selle teema suhtes täiesti uus või kogenud masinõppe praktiseerija, kes soovib mõnes valdkonnas teadmisi värskendada, on meil hea meel, et liitud meiega! Soovime luua sõbraliku alguspunkti sinu masinõppe õppimiseks ja oleksime rõõmsad hinnata, vastata ja kaasata sinu tagasisidet.
🎥 Klõpsa ülaloleval pildil, et vaadata videot: MITi John Guttag tutvustab masinõpet
Masinõppega alustamine
Enne selle õppekava alustamist pead arvuti seadistama ja valmis panema, et kohapeal sülearvuteid käivitada.
- Seadista oma arvuti nende videote abil. Kasuta järgmisi linke, et õppida, kuidas Python paigaldada süsteemi ja teksti redaktorit seadistada arenduseks.
- Õpi Pythoni. Soovitatav on omada põhiteadmisi Pythonist, programmeerimiskeelest, mis on andmeteadlastele kasulik ja mida me selles kursuses kasutame.
- Õpi Node.js ja JavaScripti. Kasutame selles kursuses ka mõnda korda JavaScripti veebirakenduste ehitamiseks, seega pead olema installinud node ja npm, samuti olema valmis kasutama Visual Studio Code'i nii Pythoni kui ka JavaScripti arenduseks.
- Loo GitHubi konto. Kuna oled meid leidnud siit GitHubist, võib-olla on sul juba konto, kuid kui ei ole, loo konto ning seejärel loo selle õppekava omaks võtmiseks haru (fork). (Võid meile ka tähe anda 😊)
- Tutvu Scikit-learniga. Tutvu Scikit-learniga, masinõppe raamatukogude komplektiga, mida me nende õppetundide jooksul kasutame.
Mis on masinõpe?
Terminit 'masinõpe' kasutatakse tänapäeval väga sageli ja see on üks populaarsemaid termineid. On üsna tõenäoline, et oled seda sõna vähemalt korra kuulnud, kui sul on mingisugune tehnoloogiateadmiste taust, ükskõik millises valdkonnas tööd teed. Kuid masinõppe toimemehhanismid on enamiku inimeste jaoks mõistatus. Masinõppe algajale võib teema vahel tunduda üle jõu käiv. Seetõttu on oluline mõista, mis masinõpe tegelikult on, ja õppida seda samm-sammult praktiliste näidete kaudu.
Hype kõver
Google Trends näitab termini 'masinõpe' hiljutist 'hype kõverat'
Salapärane universum
Elame universumis, mis on täis põnevaid mõistatusi. Suured teadlased nagu Stephen Hawking, Albert Einstein ja paljud teised on pühendanud oma elu leidmaks sisukat infot, mis paljastab meid ümbritsevate maailmade saladusi. See on inimõppimise seisund: laps õpib uusi asju ja avastab nende maailma ülesehitust aasta-aastalt kuni täiskasvanuks saamiseni.
Lapse aju
Lapse aju ja meeled tajuvad oma ümbruse faktilisust ning õpivad järk-järgult elu varjatud mustreid, mis aitavad lapsel koostada loogilisi reegleid õpitud mustrite tuvastamiseks. Inimaju õppimisprotsess muudab inimesed selle maailma kõige keerukamaks elusolendiks. Peale mustrite tuvastamist ja siis nende edasiarendamist võimaldab õppimine meil aastate jooksul ennast üha paremaks teha. See õppimisvõime ja arenev võimekus on seotud kontseptsiooniga, mida nimetatakse aju plastilisuseks. Pealiskaudselt võime leida motivatsioonilisi sarnasusi inimese aju õppimisprotsessi ja masinõppe kontseptsioonide vahel.
Inimaju
Inimaju tajub asju tegelikust maailmast, töötleb tajutud informatsiooni, teeb ratsionaalseid otsuseid ja sooritab teatud tegevusi vastavalt olukorrale. Seda nimetame me intelligentseks käitumiseks. Kui programmeerida masina jaoks intelligentse käitumise sarnane protsess, kutsutakse seda tehisintellektiks (AI).
Mõned terminid
Kuigi terminid võivad segadusse ajada, on masinõpe (ML) tehisintellekti oluline alamvaldkond. ML tegeleb spetsiaalsete algoritmide kasutamisega, et avastada tähenduslikku informatsiooni ja leida varjatud mustreid tajutud andmetest ratsionaalse otsustusprotsessi toetamiseks.
AI, ML, süvaõpe
Diagramm, mis näitab AI, ML, süvaõppe ja andmeteaduse seoseid. Infograafik autorilt Jen Looper inspireeritud selle graafikuga
Kontseptsioonid, mida käsitleme
Selles õppekavas käsitleme ainult masinõppe põhikontseptsioone, mida algaja peab teadma. Käsitleme seda, mida nimetame „klassikaliseks masinõppeks“, kasutades peamiselt Scikit-learni, suurepärast raamatukogu, mida paljud õpilased kasutavad baasteadmiste omandamiseks. Laiemate tehisintellekti või süvaõppe kontseptsioonide mõistmiseks on masinõppe tugev põhiteadmiste baas hädavajalik, mistõttu pakume seda siin.
Selle kursuse jooksul õpid:
- masinõppe põhikontseptsioone
- masinõppe ajalugu
- masinõpe ja õiglus
- regressioonimasinõppe meetodid
- klassifitseerimismasinõppe meetodid
- klasterdamise masinõppe meetodid
- loomuliku keele töötlemise masinõppe meetodid
- ajaseeria ennustamise masinõppe meetodid
- tugevdamisõpe
- masinõppe praktilised rakendused
Mida me ei käsitle
- süvaõpe
- närvivõrgud
- tehisintellekt
Paremaks õppimiskogemuseks väldime keerukusi, mis on seotud närvivõrkude, „süvaõppe“ – närvivõrkude paljukihtilise mudeliteehitusega – ja tehisintellektiga, mida käsitleme teises õppekavas. Samuti pakume peatselt andmeteaduse õppekava, mis keskendub sellele valdkonna laiemale küljele.
Miks õppida masinõpet?
Masinõpe, süsteemide vaatenurgast, tähendab automatiseeritud süsteemide loomist, mis suudavad õppida varjatud mustreid andmetest, et aidata teha intelligentseid otsuseid.
See motivatsioon on vabas vormis inspireeritud sellest, kuidas inimaju õpib teatud asju välistest andmetest.
✅ Mõtle korraks, miks ettevõte võiks eelistada masinõppe strateegiaid kõvade reeglite põhjal loodud mootori asemel.
Miks on andmekvaliteet oluline
Kõrgekvaliteediline andmestik parandab mudeli sooritust. Kehv või mürarikas andmestik võib viia ebatäpsete ennustusteni isegi siis, kui kasutatakse keerukaid masinõppe algoritme.
Masinõppe rakendused
Masinõpet kasutatakse peaaegu kõikjal ja see on sama laialt levinud kui andmed, mis voolavad meie ühiskondades, kus neid genereerivad nutitelefonid, ühendatud seadmed ja teised süsteemid. Arvestades tipptasemel masinõppelahenduste tohutut potentsiaali, on teadlased uurinud nende võimet lahendada mitmemõõtmelisi ja multidistsiplinaarseid reaalse elu probleeme suure positiivse tulemusega.
Masinõppe kasutusnäited
Masinõpet saab kasutada mitmel moel:
- Haiguste tõenäosuse prognoosimiseks patsiendi meditsiinilise ajaloo või raportite põhjal.
- Ilmaandmete kasutamiseks ilmaennustuste tegemiseks.
- Teksti meeleolu mõistmiseks.
- Valeuudiste tuvastamiseks, et peatada propaganda levik.
Finants, majandus, geoteadus, kosmoseuuringud, biomeditsiinitehnika, kognitiivteadus ja isegi humanitaarteaduste valdkonnad on kohandanud masinõpet, et lahendada oma valdkonna keerukaid, andmetöötlusel põhinevaid probleeme.
Kokkuvõte
Masinõpe automatiseerib mustrite leidmise protsessi, avastades tähenduslikke teadmisi reaalsetest või genereeritud andmetest. See on osutunud väga väärtuslikuks äris, tervishoius, finantssektoris ja mujal.
Lähematel aastatel saab masinõppe põhitõdede mõistmine vajalikuks kõigile valdkondade inimestele selle laialdase kasutuselevõtu tõttu.
🚀 Väljakutse
Joonista paberile või kasuta veebirakendust nagu Excalidraw, et kujutada oma arusaama erinevustest AI, ML, süvaõppe ja andmeteaduse vahel. Lisa ideid probleemide kohta, mida iga neist tehnikatest hästi lahendab.
Pärast loengu viktoriin
Kordamine ja iseseisev õppimine
Et teada saada, kuidas saab pilves töötada masinõppe algoritmidega, järgi seda õppeteed.
Võta õppeteekond masinõppe põhialuste kohta.
Kodutöö
Lahtiütlus: See dokument on tõlgitud kasutades AI tõlketeenust Co-op Translator. Kuigi me püüdleme täpsuse poole, palun pange tähele, et automatiseeritud tõlgetes võib esineda vigu või ebatäpsusi. Originaaldokument selle emakeeles tuleks pidada autoriteetseks allikaks. Olulise teabe puhul soovitatakse kasutada professionaalset inimtõlget. Me ei vastuta selle tõlkega seotud eksimustest või valesti mõistmistest.