localizeflow[bot]
712688625c
|
3 months ago | |
|---|---|---|
| .. | ||
| README.md | 3 months ago | |
| assignment.md | 7 months ago | |
README.md
Úvod do strojového učenia
Prednáškový kvíz
🎥 Kliknite na obrázok vyššie pre krátke video, ktoré prechádza touto lekciou.
Vitajte v tomto kurze klasického strojového učenia pre začiatočníkov! Či už ste úplne noví v tejto oblasti, alebo skúsený odborník na ML, ktorý chce zdokonaliť svoje znalosti, radi vás tu máme! Chceme vytvoriť priateľské štartovacie miesto pre vaše štúdium ML a budeme radi, keď nám poskytnete, zareagujeme na a začleníme vaše spätné väzby.
🎥 Kliknite na obrázok vyššie pre video: John Guttag z MIT predstavuje strojové učenie
Začíname so strojovým učením
Pred začatím tohto učebného plánu je potrebné mať počítač nastavený a pripravený na spúšťanie notebookov lokálne.
- Nakonfigurujte svoj počítač pomocou týchto videí. Použite nasledujúce odkazy na naučenie sa ako nainštalovať Python vo vašom systéme a nastaviť textový editor pre vývoj.
- Naučte sa Python. Tiež sa odporúča mať základné znalosti Pythonu, programovacieho jazyka užitočného pre dátových vedcov, ktorý v tomto kurze používame.
- Naučte sa Node.js a JavaScript. JavaScript používame niekoľkokrát v tomto kurze pri tvorbe webových aplikácií, takže budete potrebovať mať nainštalované node a npm, ako aj Visual Studio Code dostupné pre vývoj v Pythone aj JavaScripte.
- Vytvorte si účet na GitHub-e. Keďže nás našli tu na GitHub-e, možno už účet máte, ak nie, vytvorte si ho a potom si tento učebný plán forknete, aby ste ho mohli použiť sami. (Neváhajte nám tiež dať hviezdičku 😊)
- Preskúmajte Scikit-learn. Oboznámte sa so Scikit-learn, súborom ML knižníc, na ktoré sa v týchto lekciách odkazujeme.
Čo je to strojové učenie?
Termín „strojové učenie“ je dnes jedným z najpopulárnejších a najčastejšie používaných výrazov. Existuje značná pravdepodobnosť, že ste tento termín počuli aspoň raz, ak máte akúkoľvek znalosť o technológiách, nezávisle od toho, v akej oblasti pracujete. Mechanizmy strojového učenia však väčšine ľudí zostávajú záhadou. Pre začiatočníka v strojovom učení môže byť táto téma niekedy ohromujúca. Preto je dôležité pochopiť, čo vlastne strojové učenie je, a učiť sa o ňom krok za krokom, prostredníctvom praktických príkladov.
Krivka hypu
Google Trends ukazuje nedávnu „krivku hypu“ termínu „strojové učenie“
Záhadný vesmír
Žijeme vo vesmíre plnom fascinujúcich záhad. Veľkí vedci ako Stephen Hawking, Albert Einstein a mnohí ďalší zasvätili svoj život hľadaniu významných informácií, ktoré odhaľujú záhady sveta okolo nás. Toto je ľudský stav učenia: ľudské dieťa sa učí nové veci a postupne objavuje štruktúru svojho sveta rok za rokom, keď rastie do dospelosti.
Detský mozog
Detský mozog a zmysly vnímajú fakty o svojom okolí a postupne sa učia skryté vzory života, ktoré dieťaťu pomáhajú vytvárať logické pravidlá na rozpoznávanie naučených vzorov. Proces učenia ľudského mozgu robí z ľudí najsofistikovanejší živý tvor na tejto planéte. Učenie sa neustále objavovaním skrytých vzorov a ich následným zdokonaľovaním nám umožňuje robiť sa lepšími počas celého života. Táto schopnosť učenia a neustále sa vyvíjajúca kapacita súvisí s konceptom nazývaným plasticita mozgu. Povrchovo môžeme nájsť niektoré motivačné podobnosti medzi procesom učenia sa ľudského mozgu a konceptmi strojového učenia.
Ľudský mozog
Ľudský mozog vníma veci z reálneho sveta, spracováva vnímané informácie, robí racionálne rozhodnutia a vykonáva určité akcie na základe okolností. Toto nazývame inteligentným správaním. Keď programujeme podobu tohto inteligentného správania na stroj, nazývame to umelou inteligenciou (AI).
Niektorá terminológia
Hoci sa termíny môžu zamieňať, strojové učenie (ML) je dôležitou podmnožinou umelej inteligencie. ML sa zaoberá používaním špecializovaných algoritmov na odhaľovanie významných informácií a hľadanie skrytých vzorov z vnímaných dát, aby podporilo racionálny rozhodovací proces.
AI, ML, hlboké učenie
Diagram zobrazujúci vzťahy medzi AI, ML, hlbokým učením a dátovou vedou. Infografika od Jen Looper inšpirovaná týmto grafom
Koncepty, ktoré pokryjeme
V tomto učebnom pláne pokryjeme len základné koncepty strojového učenia, ktoré musí začiatočník poznať. Pokrývame to, čo nazývame 'klasické strojové učenie' primárne pomocou Scikit-learn, vynikajúcej knižnice, ktorú používa mnoho študentov na osvojenie si základov. Na pochopenie širších konceptov umelej inteligencie alebo hlbokého učenia je nevyhnutné mať silné základy v strojovom učení, a preto vám ich tu chceme poskytnúť.
V tomto kurze sa naučíte:
- základné koncepty strojového učenia
- históriu ML
- ML a spravodlivosť
- techniky regresie v ML
- techniky klasifikácie v ML
- techniky zhlukovania v ML
- techniky spracovania prirodzeného jazyka v ML
- techniky predikcie časových radov v ML
- posilňovacie učenie
- reálne aplikácie ML
Čo nebudeme pokrývať
- hlboké učenie
- neurónové siete
- AI
Pre lepší zážitok z učenia sa vyhneme zložitostiam neurónových sietí, „hlbokého učenia“ – viacvrstvového budovania modelov pomocou neurónových sietí – a AI, o ktorej budeme diskutovať v inom kurze. Tiež pripravujeme nadchádzajúci kurz dátovej vedy, ktorý sa zameria na túto oblasť väčšieho odboru.
Prečo študovať strojové učenie?
Strojové učenie je z pohľadu systémov definované ako tvorba automatizovaných systémov, ktoré sa dokážu učiť skryté vzory z dát, aby pomohli robiť inteligentné rozhodnutia.
Táto motivácia je voľne inšpirovaná tým, ako sa ľudský mozog učí určité veci na základe dát, ktoré vníma z vonkajšieho sveta.
✅ Premyslite si na chvíľu, prečo by podnik chcel použiť stratégie strojového učenia namiesto vytvárania systému založeného na pevne zakódovaných pravidlách.
Prečo je kvalita dát dôležitá
Vysokokvalitné dáta zlepšujú výkon modelu. Slabé alebo šumové dáta môžu viesť k nepresným predikciám, aj keď sa používajú pokročilé algoritmy strojového učenia.
Aplikácie strojového učenia
Aplikácie strojového učenia sú dnes takmer všade, rovnako bežné ako dáta plynúce v našich spoločnostiach, generované našimi smartfónmi, pripojenými zariadeniami a ďalšími systémami. S ohľadom na obrovský potenciál najmodernejších algoritmov strojového učenia výskumníci skúmajú ich schopnosť riešiť viacrozmerné a multidisciplinárne reálne problémy s veľmi pozitívnymi výsledkami.
Príklady aplikovaného ML
Strojové učenie môžete využívať mnohými spôsobmi:
- Predpovedať pravdepodobnosť ochorenia na základe lekárskej histórie alebo správ pacienta.
- Využiť meteorologické dáta na predikciu poveternostných udalostí.
- Pochopiť sentiment textu.
- Detegovať falošné správy, aby sa zastavilo šírenie propagandy.
Financie, ekonómia, veda o Zemi, vesmírny výskum, biomedicínske inžinierstvo, kognitívna veda a dokonca aj humanitné odbory prijali strojové učenie na riešenie zložitých, dátovo náročných problémov svojho odboru.
Záver
Strojové učenie automatizuje proces objavovania vzorov nájdením významných poznatkov z reálnych alebo generovaných dát. Preukázalo svoju vysokú hodnotu v podnikaní, zdravotníctve a finančných aplikáciách, medzi inými.
V blízkej budúcnosti bude znalosť základov strojového učenia nevyhnutná pre ľudí z akéhokoľvek odboru vzhľadom na jeho široké prijatie.
🚀 Výzva
Nakreslite na papieri alebo pomocou online aplikácie ako Excalidraw svoje pochopenie rozdielov medzi AI, ML, hlbokým učením a dátovou vedou. Pridajte niekoľko nápadov na problémy, ktoré je každá z týchto techník schopná dobre riešiť.
Poprednáškový kvíz
Prehľad & samostatné štúdium
Ak sa chcete dozvedieť viac o tom, ako môžete pracovať s ML algoritmami v cloude, sledujte tento Learning Path.
Absolvujte Learning Path o základoch ML.
Zadanie
Vyhlásenie o zodpovednosti: Tento dokument bol preložený pomocou AI prekladateľskej služby Co-op Translator. Hoci sa snažíme o presnosť, vezmite prosím na vedomie, že automatické preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho natívnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za žiadne nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.