localizeflow[bot]
5f990de5b2
|
3 months ago | |
|---|---|---|
| .. | ||
| README.md | 3 months ago | |
| assignment.md | 7 months ago | |
README.md
Введение в машинное обучение
Викторина перед лекцией
🎥 Нажмите на изображение выше, чтобы посмотреть короткое видео по этому уроку.
Добро пожаловать на курс классического машинного обучения для начинающих! Независимо от того, полностью ли вы новичок в этой теме или опытный специалист в области машинного обучения, желающий освежить знания, мы рады видеть вас с нами! Мы хотим создать дружелюбное место для начала вашего изучения машинного обучения и будем рады оценить, ответить и учесть ваши отзывы.
🎥 Нажмите на изображение выше, чтобы посмотреть видео: Джон Гуттаг из MIT представляет машинное обучение
Начало работы с машинным обучением
Прежде чем начать работу с этим курсом, ваш компьютер должен быть настроен и готов запускать ноутбуки локально.
- Настройте вашу машину с помощью этих видео. Используйте следующие ссылки, чтобы узнать как установить Python в вашу систему и настроить текстовый редактор для разработки.
- Изучите Python. Также рекомендуется иметь базовое понимание Python, языка программирования, полезного для специалистов по данным, который мы используем в этом курсе.
- Изучите Node.js и JavaScript. Мы также несколько раз используем JavaScript в этом курсе при создании веб-приложений, поэтому необходимо иметь установленные node и npm, а также Visual Studio Code для разработки на Python и JavaScript.
- Создайте аккаунт GitHub. Поскольку вы нашли нас здесь, на GitHub, возможно, у вас уже есть аккаунт, но если нет — создайте его и сделайте форк этого курса для собственного использования. (Не забудьте поставить нам звезду, тоже 😊)
- Изучите Scikit-learn. Ознакомьтесь с Scikit-learn, набором библиотек машинного обучения, на которые мы ссылаемся в этих уроках.
Что такое машинное обучение?
Термин «машинное обучение» — один из самых популярных и часто используемых сегодня. Есть большая вероятность, что вы слышали этот термин хотя бы раз, если вы знакомы с технологиями, независимо от вашей сферы деятельности. Однако механизмы машинного обучения загадочны для большинства людей. Для начинающего в машинном обучении предмет бывает иногда непростым. Поэтому важно понять, что такое машинное обучение на самом деле, и изучать его шаг за шагом на практических примерах.
Кривая ажиотажа
Google Trends показывает недавнюю "кривую ажиотажа" для термина «машинное обучение»
Загадочная вселенная
Мы живем в вселенной, полной увлекательных тайн. Великие ученые, такие как Стивен Хокинг, Альберт Эйнштейн и многие другие, посвятили свою жизнь поиску значимой информации, раскрывающей загадки окружающего мира. Это человеческое состояние обучения: ребенок учится новому и постепенно раскрывает структуру своего мира, растя и становясь взрослым.
Мозг ребенка
Мозг и органы чувств ребенка воспринимают факты окружающего мира и постепенно учатся скрытым закономерностям жизни, которые помогают ребенку выстраивать логические правила для распознавания изученных паттернов. Процесс обучения человеческого мозга делает человека самым сложным живым существом на Земле. Постоянное обучение через открытие скрытых паттернов и инновации на их основе позволяет нам становиться лучше на протяжении всей жизни. Эта способность к обучению и развивающаяся способность связаны с понятием, называемым пластичностью мозга. Поверхностно мы можем провести некоторые мотивационные аналогии между процессом обучения человеческого мозга и понятием машинного обучения.
Человеческий мозг
Человеческий мозг воспринимает явления из реального мира, обрабатывает полученную информацию, принимает рациональные решения и выполняет определённые действия в зависимости от обстоятельств. Это то, что мы называем интеллектуальным поведением. Когда мы программируем подобие этого интеллектуального процесса на машину, это называют искусственным интеллектом (ИИ).
Терминология
Хотя термины могут путать, машинное обучение (ML) — важное подмножество искусственного интеллекта. ML занимается использованием специализированных алгоритмов для выявления значимой информации и обнаружения скрытых паттернов в воспринятых данных, чтобы подтвердить рациональный процесс принятия решений.
ИИ, ML, глубокое обучение
Диаграмма, показывающая взаимосвязи между ИИ, ML, глубоким обучением и наукой о данных. Инфографика от Jen Looper, вдохновленная этой схемой
Концепции, которые будут рассмотрены
В этом курсе мы рассмотрим только основные понятия машинного обучения, которые должен знать начинающий. Мы рассматриваем то, что называем «классическим машинным обучением», используя в основном Scikit-learn — отличную библиотеку, с помощью которой многие студенты усваивают основы. Чтобы понимать более широкие концепции искусственного интеллекта или глубокого обучения, необходимо иметь крепкую фундаментальную базу по машинному обучению, и поэтому мы предлагаем её здесь.
В этом курсе вы узнаете:
- основные концепции машинного обучения
- историю ML
- ML и справедливость
- методы регрессии в ML
- методы классификации в ML
- методы кластеризации в ML
- методы обработки естественного языка в ML
- методы прогнозирования временных рядов в ML
- обучение с подкреплением
- реальные приложения ML
Что мы не будем рассматривать
- глубокое обучение
- нейронные сети
- ИИ
Для лучшего процесса обучения мы избегаем сложностей нейронных сетей, «глубокого обучения» — многоуровневого построения моделей с использованием нейронных сетей — и искусственного интеллекта, который мы рассмотрим в другом курсе. Мы также планируем предложить отдельный курс по науке о данных, чтобы сосредоточиться на этом аспекте широкой области.
Почему стоит изучать машинное обучение?
Машинное обучение с точки зрения систем определяется как создание автоматизированных систем, способных выявлять скрытые закономерности в данных для помощи в принятии интеллектуальных решений.
Это вдохновлено тем, как человеческий мозг учится определённым вещам на основе данных, которые он воспринимает из внешнего мира.
✅ Подумайте минуту, почему бизнесу стоит пытаться использовать стратегии машинного обучения вместо создания системы с жёстко заданными правилами.
Почему качество данных важно
Данные высокого качества улучшают производительность модели. Плохие или шумные данные могут привести к неточным прогнозам, даже при использовании передовых алгоритмов машинного обучения.
Применения машинного обучения
Применение машинного обучения сейчас повсеместно и так же распространено, как данные, которые циркулируют в нашем обществе, генерируемые нашими смартфонами, подключёнными устройствами и другими системами. С учетом огромного потенциала современных алгоритмов машинного обучения исследователи изучают их способность решать многомерные и многодисциплинарные реальные задачи с отличными положительными результатами.
Примеры применения ML
Машинное обучение можно использовать во многих областях:
- Для прогнозирования вероятности заболевания на основе медицинской истории пациента или отчетов.
- Для использования погодных данных с целью прогнозирования погодных событий.
- Для понимания настроения текста.
- Для выявления фейковых новостей, чтобы остановить распространение пропаганды.
Финансы, экономика, науки о Земле, космические исследования, биомедицинская инженерия, когнитивные науки и даже гуманитарные науки адаптировали машинное обучение для решения сложных задач обработки данных в своей области.
Заключение
Машинное обучение автоматизирует процесс обнаружения закономерностей, находя значимые инсайты в реальных или сгенерированных данных. Оно доказало свою высокую ценность в бизнесе, здравоохранении, финансах и других областях.
В ближайшем будущем базовые знания машинного обучения станут необходимостью для специалистов из любой области из-за его широкого распространения.
🚀 Задание
Нарисуйте на бумаге или с помощью онлайн-приложения, например Excalidraw, ваше понимание различий между ИИ, ML, глубоким обучением и наукой о данных. Добавьте идеи задач, которые хорошо решаются каждым из этих подходов.
Викторина после лекции
Повторение и самообучение
Чтобы узнать больше о том, как работать с алгоритмами ML в облаке, пройдите этот Учебный путь.
Пройдите Учебный путь по основам ML.
Домашнее задание
Отказ от ответственности: Этот документ был переведен с использованием сервиса машинного перевода Co-op Translator. Несмотря на наши усилия по обеспечению точности, имейте в виду, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется обратиться к профессиональному человеческому переводу. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования этого перевода.