localizeflow[bot]
9b4e65f176
|
3 months ago | |
|---|---|---|
| .. | ||
| README.md | 3 months ago | |
| assignment.md | 7 months ago | |
README.md
Вступ до машинного навчання
Попередній тест перед лекцією
🎥 Натисніть на зображення вище, щоб переглянути коротке відео, що розглядає цей урок.
Ласкаво просимо на цей курс класичного машинного навчання для початківців! Чи ви повністю новачок у цій темі, чи досвідчений практик машинного навчання, який хоче оновити знання в певній сфері, ми раді вітати вас у нас! Ми хочемо створити дружнє середовище для вашого вивчення ML і будемо раді оцінити, відповісти на та врахувати ваші відгуки.
🎥 Натисніть на зображення вище для відео: Джон Гаттаг з MIT представляє машинне навчання
Початок роботи з машинним навчанням
Перш ніж почати з цією програмою, вам потрібно налаштувати свій комп’ютер і бути готовим запускати ноутбуки локально.
- Налаштуйте свій комп’ютер за допомогою цих відео. Використовуйте посилання для навчання як встановити Python на вашій системі та налаштувати текстовий редактор для розробки.
- Вивчіть Python. Також рекомендується мати базове розуміння Python — мови програмування, корисної для науковців із даних і яку ми використовуємо у цьому курсі.
- Вивчіть Node.js та JavaScript. У цьому курсі ми також кілька разів використовуємо JavaScript для створення веб-додатків, тому вам потрібно мати встановлені node і npm, а також Visual Studio Code для розробки на Python і JavaScript.
- Створіть обліковий запис GitHub. Оскільки ви знайшли нас тут, на GitHub, можливо, у вас уже є обліковий запис, але якщо ні — створіть його, а потім зробіть форк цієї програми, щоб користуватися нею самостійно. (І не соромтеся поставити нам зірочку, теж 😊)
- Ознайомтеся зі Scikit-learn. Познайомтесь із Scikit-learn — набором бібліотек для ML, на які ми посилаємося у цих уроках.
Що таке машинне навчання?
Термін «машинне навчання» — один з найпопулярніших і найчастіше вживаних сьогодні. Існує немаленька ймовірність, що ви хоча б раз чули цей термін, якщо маєте якусь знайомість із технологіями, незалежно від сфери вашої роботи. Проте механізми машинного навчання для більшості залишаються загадкою. Для початківця у сфері ML це іноді може здаватися надто складним. Тому важливо зрозуміти, що таке машинне навчання насправді, і навчатися крок за кроком, на практичних прикладах.
Крива популярності
Google Trends показує останню 'криву популярності' терміну «машинне навчання»
Загадковий Всесвіт
Ми живемо у Всесвіті, сповненому захопливих таємниць. Великі вчені, такі як Стівен Гокінг, Альберт Ейнштейн і багато інших, присвятили своє життя пошуку значущої інформації, що розкриває загадки світу навколо нас. Це людська сутність навчання: дитина вивчає нове і відкриває структуру свого світу рік за роком, ростучи до дорослого.
Мозок дитини
Мозок і органи чуття дитини сприймають факти з навколишнього середовища та поступово вивчають приховані закономірності життя, що допомагають дитині створювати логічні правила для розпізнавання вивчених патернів. Процес навчання людського мозку робить людину найскладнішою живою істотою у цьому світі. Безперервне навчання через відкриття прихованих закономірностей та подальші інновації дають змогу ставати кращими протягом усього життя. Ця здатність навчатися та розвиватися пов’язана з поняттям пластичності мозку. Зовні ми можемо знайти деякі мотиваційні подібності між процесом навчання людського мозку і концепціями машинного навчання.
Людський мозок
Людський мозок сприймає речі реального світу, обробляє отриману інформацію, приймає раціональні рішення і виконує певні дії відповідно до обставин. Це те, що ми називаємо інтелігентною поведінкою. Коли ми програмуємо механізм такого інтелектуального процесу для машини, це називається штучним інтелектом (ШІ).
Декілька термінів
Хоча терміни іноді плутають, машинне навчання (ML) є важливою підмножиною штучного інтелекту. ML займається використанням спеціалізованих алгоритмів для виявлення значущої інформації та прихованих закономірностей у сприйнятих даних, аби підтримати процес раціонального прийняття рішень.
ШІ, ML, глибинне навчання
Діаграма, що показує взаємозв’язок між ШІ, ML, глибинним навчанням і наукою про дані. Інфографіка від Jen Looper, натхненна цією графікою
Концепції для вивчення
У цій програмі ми розглянемо лише основні концепції машинного навчання, які повинен знати початківець. Ми зосередимося на так званому «класичному машинному навчанні», головним чином використовуючи Scikit-learn, чудову бібліотеку, яку багато студентів використовують для навчання базовим поняттям. Для розуміння ширших концепцій штучного інтелекту або глибинного навчання необхідне міцне фундаментальне знання машинного навчання, і саме його ми хочемо запропонувати тут.
На цьому курсі ви навчитеся:
- основним поняттям машинного навчання
- історії ML
- ML та справедливості
- методам регресії ML
- методам класифікації ML
- методам кластеризації ML
- методам обробки природної мови
- методам прогнозування часових рядів
- підкріпленому навчанню
- практичним застосуванням ML
Чого не буде у курсі
- глибинного навчання
- нейронних мереж
- ШІ
Для кращого досвіду навчання ми уникатимемо складнощів нейронних мереж, «глибинного навчання» — багатошарового моделювання за допомогою нейронних мереж — та ШІ, які обговоримо в іншій програмі. Також ми запропонуємо майбутній курс з науки про дані, щоб зосередитися на цьому аспекті ширшої сфери.
Чому варто вчити машинне навчання?
Машинне навчання, з системної точки зору, визначається як створення автоматизованих систем, які можуть навчатися прихованим закономірностям із даних, щоб допомагати у прийнятті інтелектуальних рішень.
Ця мотивація умовно натхненна тим, як людський мозок навчається певним речам на основі даних, які він сприймає з навколишнього світу.
✅ Подумайте хвилину, чому бізнес хотів би використати стратегії машинного навчання замість створення жорстко зашитого рушія на основі правил.
Чому якість даних має значення
Високоякісні дані покращують продуктивність моделей. Погані або зашумлені дані можуть призвести до неточних передбачень, навіть при використанні просунутих алгоритмів машинного навчання.
Застосування машинного навчання
Застосування машинного навчання зараз майже всюди і таке ж повсюдне, як і дані, що циркулюють у наших суспільствах, створювані нашими смартфонами, підключеними пристроями та іншими системами. Враховуючи величезний потенціал найсучасніших алгоритмів машинного навчання, дослідники вивчають їх здатність розв’язувати багатовимірні та багатодисциплінарні реальні проблеми з чудовими позитивними результатами.
Приклади застосування ML
Машинне навчання можна застосовувати у багатьох сферах:
- Для прогнозування ймовірності захворювання на основі медичної історії чи звітів пацієнта.
- Для використання погодних даних для прогнозування погодних явищ.
- Для розуміння настрою тексту.
- Для виявлення фейкових новин з метою зупинити поширення пропаганди.
Фінанси, економіка, наукa про Землю, космічні дослідження, біомедична інженерія, когнітивні науки і навіть гуманітарні дисципліни адаптували машинне навчання для розв’язання складних, інтенсивних у роботі з даними проблем своєї сфери.
Висновок
Машинне навчання автоматизує процес виявлення закономірностей, знаходячи значущі інсайти у реальних або згенерованих даних. Воно довело свою велику цінність у бізнесі, медицині, фінансах та інших галузях.
У найближчому майбутньому розуміння основ машинного навчання стане необхідністю для людей із будь-якої сфери через його широке застосування.
🚀 Виклик
Зробіть начерк на папері або в онлайн-додатку на кшталт Excalidraw, що ілюструє ваше розуміння різниці між ШІ, ML, глибинним навчанням і наукою про дані. Додайте кілька ідей про те, які проблеми кожен з цих методів добре розв’язує.
Тест після лекції
Огляд і самостійне вивчення
Щоб дізнатися більше про роботу з алгоритмами ML у хмарі, пройдіть цей Навчальний шлях.
Пройдіть курс Основи машинного навчання.
Домашнє завдання
Відмова від відповідальності: Цей документ було перекладено за допомогою сервісу штучного інтелекту для перекладу Co-op Translator. Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу.