localizeflow[bot]
ea617244af
|
3 months ago | |
|---|---|---|
| .. | ||
| README.md | 3 months ago | |
| assignment.md | 7 months ago | |
README.md
Pengenalan kepada pembelajaran mesin
Kuis pra-kerja
🎥 Klik imej di atas untuk video pendek yang menerangkan pelajaran ini.
Selamat datang ke kursus pembelajaran mesin klasik untuk pemula! Sama ada anda benar-benar baru dalam topik ini, atau seorang pengamal ML berpengalaman yang ingin mengasah semula bidang tertentu, kami gembira anda sertai kami! Kami ingin mewujudkan tempat permulaan mesra untuk kajian ML anda dan kami sedia menilai, memberi respons, dan menggabungkan maklum balas anda.
🎥 Klik imej di atas untuk video: John Guttag dari MIT memperkenalkan pembelajaran mesin
Memulakan pembelajaran mesin
Sebelum memulakan kurikulum ini, anda perlu menyediakan komputer anda dan sedia untuk menjalankan buku nota secara tempatan.
- Konfigurasikan mesin anda dengan video-video ini. Gunakan pautan berikut untuk belajar cara memasang Python di sistem anda dan menyediakan editor teks untuk pembangunan.
- Belajar Python. Adalah disyorkan juga mempunyai pemahaman asas tentang Python, bahasa pengaturcaraan yang berguna untuk saintis data yang kami gunakan dalam kursus ini.
- Belajar Node.js dan JavaScript. Kami juga menggunakan JavaScript beberapa kali dalam kursus ini semasa membina aplikasi web, jadi anda perlu memasang node dan npm, serta mempunyai Visual Studio Code untuk pembangunan Python dan JavaScript.
- Buat akaun GitHub. Oleh kerana anda telah menemui kami di GitHub, anda mungkin sudah mempunyai akaun, tetapi jika tidak, buat satu dan kemudian forke kurikulum ini untuk digunakan sendiri. (Sila beri kami bintang juga 😊)
- Terokai Scikit-learn. Biasakan diri dengan Scikit-learn, satu set perpustakaan ML yang kami rujuk dalam pelajaran ini.
Apakah pembelajaran mesin?
Istilah 'pembelajaran mesin' adalah salah satu istilah paling popular dan kerap digunakan hari ini. Ada kemungkinan besar anda pernah mendengar istilah ini sekurang-kurangnya sekali jika anda mempunyai sedikit pengetahuan tentang teknologi, tidak kira bidang apa yang anda ceburi. Namun, mekanik pembelajaran mesin adalah misteri bagi kebanyakan orang. Bagi pemula pembelajaran mesin, subjek ini kadang-kadang boleh terasa menakutkan. Oleh itu, adalah penting untuk memahami apa sebenarnya pembelajaran mesin, dan belajar mengenainya langkah demi langkah, melalui contoh praktikal.
Lengkung kegembiraan
Google Trends menunjukkan 'lengkung kegembiraan' terbaru untuk istilah 'pembelajaran mesin'
Alam semesta yang misteri
Kita hidup dalam alam semesta penuh misteri yang mempesonakan. Saintis hebat seperti Stephen Hawking, Albert Einstein, dan lain-lain telah mendedikasikan hidup mereka untuk mencari maklumat bermakna yang membuka misteri dunia di sekitar kita. Ini adalah sifat manusia dalam pembelajaran: seorang anak manusia belajar perkara baru dan membuka susunan dunia mereka tahun demi tahun semasa mereka berkembang menjadi dewasa.
Otak kanak-kanak
Otak dan deria kanak-kanak merasakan fakta persekitarannya dan secara beransur-ansur belajar corak tersembunyi kehidupan yang membantu kanak-kanak itu merangka peraturan logik untuk mengenal pasti corak yang dipelajari. Proses pembelajaran otak manusia menjadikan manusia makhluk hidup paling canggih di dunia ini. Pembelajaran berterusan dengan menemui corak tersembunyi dan kemudian berinovasi pada corak itu membolehkan kita memperbaiki diri sepanjang hayat kita. Keupayaan pembelajaran dan evolusi ini berkaitan dengan konsep yang dipanggil plastisiti otak. Secara luaran, kita boleh menggambarkan persamaan motivasi antara proses pembelajaran otak manusia dan konsep pembelajaran mesin.
Otak manusia
Otak manusia merasakan perkara dari dunia nyata, memproses maklumat yang dirasakan, membuat keputusan rasional, dan melaksanakan tindakan tertentu berdasarkan keadaan. Inilah yang kita panggil berkelakuan secara cerdas. Apabila kita memprogramkan simulasi proses tingkah laku cerdas kepada mesin, ia dipanggil kecerdasan buatan (AI).
Beberapa istilah
Walaupun istilah ini boleh mengelirukan, pembelajaran mesin (ML) adalah subset penting bagi kecerdasan buatan. ML berkaitan dengan menggunakan algoritma khusus untuk menemui maklumat bermakna dan mencari corak tersembunyi daripada data yang dirasakan untuk menyokong proses membuat keputusan rasional.
AI, ML, Pembelajaran Mendalam
Rajah yang menunjukkan hubungan antara AI, ML, pembelajaran mendalam, dan sains data. Grafik oleh Jen Looper diilhamkan oleh grafik ini
Konsep yang akan dibahas
Dalam kurikulum ini, kami akan membahas hanya konsep teras pembelajaran mesin yang mesti diketahui oleh pemula. Kami membahas apa yang kami panggil 'pembelajaran mesin klasik' terutamanya menggunakan Scikit-learn, perpustakaan hebat yang digunakan oleh ramai pelajar untuk belajar asas. Untuk memahami konsep luas kecerdasan buatan atau pembelajaran mendalam, pengetahuan asas pembelajaran mesin sangat penting, dan kami ingin menawarkan pengetahuan ini di sini.
Dalam kursus ini anda akan belajar:
- konsep teras pembelajaran mesin
- sejarah ML
- ML dan keadilan
- teknik regresi ML
- teknik klasifikasi ML
- teknik pengelompokan ML
- teknik pemprosesan bahasa semula jadi ML
- teknik ramalan siri masa ML
- pembelajaran pengukuhan
- aplikasi dunia nyata bagi ML
Apa yang tidak akan dibahas
- pembelajaran mendalam
- jaringan neural
- AI
Untuk pengalaman pembelajaran yang lebih baik, kami akan menghindari kerumitan jaringan neural, 'pembelajaran mendalam' - pembinaan model berlapis menggunakan jaringan neural - dan AI yang akan kami bahas dalam kurikulum lain. Kami juga akan menawarkan kurikulum sains data yang akan datang untuk menumpukan pada aspek bidang yang lebih luas ini.
Mengapa belajar pembelajaran mesin?
Pembelajaran mesin, dari perspektif sistem, didefinisikan sebagai penciptaan sistem automatik yang dapat belajar corak tersembunyi dari data untuk membantu dalam membuat keputusan yang cerdas.
Motivasi ini secara longgar diilhamkan oleh cara otak manusia belajar perkara tertentu berdasarkan data yang diperoleh dari dunia luar.
✅ Fikirkan seketika mengapa perniagaan ingin cuba menggunakan strategi pembelajaran mesin berbanding dengan mencipta enjin berasaskan peraturan keras.
Mengapa kualiti data penting
Data berkualiti tinggi meningkatkan prestasi model. Data yang buruk atau berisik boleh mengakibatkan ramalan yang tidak tepat, walaupun menggunakan algoritma pembelajaran mesin yang canggih.
Aplikasi pembelajaran mesin
Aplikasi pembelajaran mesin kini hampir di mana-mana, dan sebati dengan data yang mengalir di sekitar masyarakat kita, dihasilkan oleh telefon pintar, peranti bersambung, dan sistem lain. Dengan mempertimbangkan potensi besar algoritma pembelajaran mesin terkini, para penyelidik telah meneroka kemampuan mereka untuk menyelesaikan masalah kehidupan sebenar yang multidimensi dan multidisiplin dengan hasil positif yang hebat.
Contoh penggunaan ML
Anda boleh menggunakan pembelajaran mesin dalam banyak cara:
- Untuk meramalkan kemungkinan penyakit berdasarkan sejarah perubatan atau laporan pesakit.
- Untuk memanfaatkan data cuaca bagi meramalkan peristiwa cuaca.
- Untuk memahami sentimen dalam teks.
- Untuk mengesan berita palsu bagi menghentikan penyebaran propaganda.
Kewangan, ekonomi, sains bumi, eksplorasi angkasa, kejuruteraan bioperubatan, sains kognitif, dan bidang kemanusiaan juga telah mengadaptasi pembelajaran mesin untuk menyelesaikan masalah berat yang melibatkan pemprosesan data dalam bidang masing-masing.
Kesimpulan
Pembelajaran mesin mengautomasi proses penemuan corak dengan menjumpai wawasan bermakna dari data dunia nyata atau yang dijana. Ia telah membuktikan nilai tinggi dalam aplikasi perniagaan, kesihatan, dan kewangan, antara lain.
Pada masa akan datang, memahami asas pembelajaran mesin akan menjadi keperluan untuk orang dari mana-mana bidang kerana penerimaannya yang meluas.
🚀 Cabaran
Lukis, di atas kertas atau menggunakan aplikasi dalam talian seperti Excalidraw, kefahaman anda tentang perbezaan antara AI, ML, pembelajaran mendalam, dan sains data. Tambah beberapa idea masalah yang sesuai diselesaikan oleh setiap teknik ini.
Kuis pasca-kerja
Ulasan & Belajar Sendiri
Untuk mengetahui lebih lanjut tentang bagaimana anda boleh bekerja dengan algoritma ML di awan, ikuti Laluan Pembelajaran.
Ambil Laluan Pembelajaran mengenai asas ML.
Tugasan
Penafian: Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI Co-op Translator. Walaupun kami berusaha untuk ketepatan, sila ambil maklum bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang sahih. Untuk maklumat penting, terjemahan oleh manusia profesional adalah disyorkan. Kami tidak bertanggungjawab terhadap sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.