localizeflow[bot]
12ff6946a8
|
3 months ago | |
|---|---|---|
| .. | ||
| README.md | 3 months ago | |
| assignment.md | 7 months ago | |
README.md
Увод у машинско учење
Пре-предавачки квиз
🎥 Кликните на слику изнад за кратак видео који обрађује ову лекцију.
Добродошли на овај курс класичног машинског учења за почетнике! Без обзира да ли сте потпуно нови у овој теми или искусан ML практичар који жели да унапреди знање из појединих области, драго нам је што сте са нама! Желимо да створимо пријатељско место за ваш студиј машинског учења и радо ћемо оценити, одговорити и укључити ваше повратне информације.
🎥 Кликните на слику изнад за видео: Џон Гаттаг са MIT-а представља машинско учење
Почетак рада са машинским учењем
Пре него што почнете са овим курикулумом, потребно је да имате рачунар спреман за покретање нотебоок-а локално.
- Подесите свој уређај уз помоћ ових видео записа. Користите следеће линкове да бисте научили како да инсталирате Python на свом систему и подесите текстуални едитор за развој.
- Научите Python. Такође се препоручује поседовање основног разумевања Python-а, програмског језика корисног за научнике података који користимо у овом курсу.
- Научите Node.js и JavaScript. У овом курсу такође користимо JavaScript неколико пута током израде веб апликација, па ћете морати да имате инсталиране node и npm, као и доступан Visual Studio Code за развој Python-а и JavaScript-а.
- Направите GitHub налог. Пошто сте нас овде нашли на GitHub, можда већ имате налог, али ако немате, креирајте налог и онда форкујте овај курикулум за сопствену употребу. (Слободно нам дајте и звездицу 😊)
- Истражите Scikit-learn. Упознајте се са Scikit-learn, скупом ML библиотека на које се позивамо у овим лекцијама.
Шта је машинско учење?
Термин „машинско учење“ је један од најпопуларнијих и најчешће коришћених термина данас. Постоји велика вероватноћа да сте овај термин чули бар једном ако имате било какву познавање технологије, без обзира у којој области радите. Међутим, механизми машинског учења су за већину људи мистерија. За почетнике у машинском учењу ова тема може понекад изгледати превише сложено. Због тога је важно разумети шта је машинско учење заправо и учити о њему корак по корак, кроз практичне примере.
Кривина хипе-а
Google Trends приказује недавно „хипе криву“ термина „машинско учење“
Мистериозни универзум
Живимо у универзуму пуном фасцинантних мистерија. Велики научници као што су Стивен Хокинг, Алберт Ајнштајн и многи други посветили су животе тражењу смислених информација које откривају тајне света око нас. Ово је људско стање учења: људско дете годинама учи нове ствари и открива структуру свог света док одраста у одраслу особу.
Мозак детета
Мозак и сетила детета перципирају чињенице о окружењу и постепено уче скривене обрасце живота који помажу детету да направи логичка правила за идентификовање научених образаца. Процес учења људског мозга чини људе најсофистициранијим живим бићем на свету. Континуирано учење путем откривања скривених образаца и иновирања тих образаца омогућава нам да се током свог живота све више усавршавамо. Ова способност учења и развијања повезана је са концептом званим пластичност мозга. Површно гледано, можемо наћи неке мотивационе сличности између процеса учења људског мозга и концепата машинског учења.
Људски мозак
Људски мозак перципира ствари из стварног света, обрађује примљене информације, доноси рационалне одлуке и изводи одређене радње на основу околности. Ово називамо интелигентним понашањем. Када програмирамо машину да опонаша овај процес интелигентног понашања, то се зове вештачка интелигенција (AI).
Неки термини
Иако се термини могу мешати, машинско учење (ML) је важан подскуп вештачке интелигенције. ML се бави коришћењем специјализованих алгоритама за откривање смислених информација и проналажење скривених образаца из примљених података ради потврђивања процеса рационалног доношења одлука.
AI, ML, дубоко учење
Дијаграм који приказује односе између AI, ML, дубоког учења и науке о подацима. Инфографик од Jen Looper инспирисан овом графиком
Концепти које ћемо обрадити
У овом курикулуму ћемо обрадити само основне концепте машинског учења које почетник мора да зна. Покрићемо оно што називамо „класично машинско учење“ углавном користећи Scikit-learn, одличну библиотеку коју многи студенти користе за учење основе. Да бисмо разумели шири спектар концепата вештачке интелигенције или дубоког учења, неопходно је имати снажно основно знање машинског учења, па га желимо понудити овде.
На овом курсу ћете научити:
- основне концепте машинског учења
- историју ML-а
- ML и правичност
- технике регресије у ML-у
- технике класификације у ML-у
- технике кластеризације у ML-у
- технике обраде природног језика у ML-у
- технике прогнозирања временских низова у ML-у
- учење појачањем
- примере примене ML-а у стварном свету
Шта нећемо обрадити
- дубоко учење
- неуронске мреже
- AI
Да бисмо обезбедили боље искуство учења, избећи ћемо сложености неуронских мрежа, „дубоког учења“ – изградње многослојних модела користећи неуронске мреже – и AI, о којем ћемо говорити у другом курикулуму. Такође ћемо понудити предстојећи курикулум науке о подацима усмерен на тај део ове шире области.
Зашто учити машинско учење?
Машинско учење, из перспективе система, дефинише се као креирање аутоматизованих система који могу да уче скривене обрасце из података да би помогли у доношењу интелигентних одлука.
Ова мотивација је слабо инспирисана начином на који људски мозак учи одређене ствари на основу података које перципира из спољашњег света.
✅ Размислите минут зашто би посао желео да користи стратегије машинског учења уместо да креира хард-кодирани систем заснован на правилима.
Зашто је важан квалитет података
Квалитетни подаци побољшавају перформансе модела. Лоши или бучни подаци могу довести до нетачних предвиђања чак и када се користе напредни алгоритми машинског учења.
Примене машинског учења
Примене машинског учења су сада скоро свуда и све су присутније као подаци који се шире нашим друштвом, генерисани паметним телефонима, повезаним уређајима и другим системима. Узимајући у обзир огроман потенцијал савремених алгоритама машинског учења, истраживачи проучавају њихову способност да решавају мултидимензионалне и мултидисциплинарне стварне проблеме са великим позитивним резултатима.
Примери примене ML-а
Можете користити машинско учење на много начина:
- Да предвидите вероватноћу болести из медицинске историје или извештаја пацијента.
- Да користите податке о времену за предвиђање временских појава.
- Да разумете сентимент текста.
- Да откријете лажне вести и зауставите ширење пропаганде.
Финансије, економија, наука о Земљи, истраживање свемира, биомедицинско инжењерство, когнитивна наука, па чак и област хуманистичких наука прилагодиле су машинско учење за решавање тешких, захтевних проблема обраде података у својим доменима.
Закључак
Машинско учење аутоматизује процес откривања образаца проналажењем смислених увида из стварних или генерисаних података. Показао се као изузетно вредан у пословним, здравственим и финансијским применама, између осталог.
У блиској будућности разумевање основа машинског учења биће неопходно за људе из било које области због његове широко распространите употребе.
🚀 Изазов
Накрцкајте, на папиру или уз помоћ онлајн апликације као што је Excalidraw, ваше разумевање разлика између AI, ML, дубоког учења и науке о подацима. Додајте неке идеје о проблемима које свака од ових техника добро решава.
Пост-предавачки квиз
Преглед и самоучење
Да бисте сазнали више о томе како можете радити са ML алгоритмима у облаку, пратите овај пут учења.
Пройдите Learning Path о основама ML-а.
Задатак
Изјава о одрицању одговорности: Овај документ је преведен коришћењем услуге за аутоматски превод Co-op Translator. Иако тежимо тачности, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални људски превод. Нисмо одговорни за било каква неспоразума или погрешна тумачења која произилазе из коришћења овог превода.