17 KiB
Въведение в машинното обучение
Тест преди лекцията
🎥 Кликнете върху изображението по-горе за кратко видео, което разглежда този урок.
Добре дошли в този курс за класическо машинно обучение за начинаещи! Независимо дали сте напълно нови в тази тема или сте опитен специалист по машинно обучение, който иска да освежи знанията си в определена област, радваме се, че сте тук! Целта ни е да създадем приятелска отправна точка за вашето обучение по машинно обучение и ще се радваме да оценим, отговорим и включим вашата обратна връзка.
🎥 Кликнете върху изображението по-горе за видео: Джон Гуттаг от MIT представя машинното обучение
Започване с машинното обучение
Преди да започнете с тази учебна програма, трябва да подготвите компютъра си, за да може да изпълнява notebooks локално.
- Конфигурирайте вашата машина с тези видеа. Използвайте следните линкове, за да научите как да инсталирате Python на вашата система и как да настроите текстов редактор за разработка.
- Научете Python. Препоръчително е да имате основно разбиране за Python, програмен език, полезен за специалисти по данни, който използваме в този курс.
- Научете Node.js и JavaScript. Също така използваме JavaScript няколко пъти в този курс при създаването на уеб приложения, така че ще трябва да имате node и npm инсталирани, както и Visual Studio Code за разработка както с Python, така и с JavaScript.
- Създайте GitHub акаунт. Тъй като ни намерихте тук на GitHub, вероятно вече имате акаунт, но ако не, създайте такъв и след това направете fork на тази учебна програма, за да я използвате самостоятелно. (Може да ни дадете и звезда 😊)
- Разгледайте Scikit-learn. Запознайте се с Scikit-learn, набор от библиотеки за машинно обучение, които използваме в тези уроци.
Какво е машинно обучение?
Терминът „машинно обучение“ е един от най-популярните и често използвани термини днес. Има голяма вероятност да сте го чували поне веднъж, ако имате някаква връзка с технологиите, независимо от областта, в която работите. Механиката на машинното обучение обаче остава загадка за повечето хора. За начинаещите в машинното обучение темата понякога може да изглежда сложна. Затова е важно да разберем какво всъщност представлява машинното обучение и да го изучаваме стъпка по стъпка чрез практически примери.
Крива на популярността
Google Trends показва последната „крива на популярността“ на термина „машинно обучение“
Загадъчна вселена
Живеем във вселена, пълна с очарователни загадки. Велики учени като Стивън Хокинг, Алберт Айнщайн и много други са посветили живота си на търсенето на значима информация, която разкрива тайните на света около нас. Това е човешкото състояние на учене: човешкото дете научава нови неща и разкрива структурата на своя свят година след година, докато расте.
Мозъкът на детето
Мозъкът и сетивата на детето възприемат фактите от заобикалящата го среда и постепенно научават скритите модели на живота, които помагат на детето да създаде логически правила за идентифициране на научените модели. Процесът на учене на човешкия мозък прави хората най-сложните живи същества на този свят. Непрекъснатото учене чрез откриване на скрити модели и след това иновации върху тези модели ни позволява да се подобряваме през целия си живот. Тази способност за учене и еволюция е свързана с концепцията, наречена пластичност на мозъка. Повърхностно можем да направим някои мотивационни сравнения между процеса на учене на човешкия мозък и концепциите на машинното обучение.
Човешкият мозък
Човешкият мозък възприема нещата от реалния свят, обработва възприетата информация, взема рационални решения и извършва определени действия според обстоятелствата. Това наричаме интелигентно поведение. Когато програмираме подобие на интелигентния процес на поведение в машина, това се нарича изкуствен интелект (AI).
Някои термини
Въпреки че термините могат да бъдат объркващи, машинното обучение (ML) е важен подмножество на изкуствения интелект. ML се занимава с използването на специализирани алгоритми за откриване на значима информация и намиране на скрити модели от възприетите данни, за да подкрепи процеса на рационално вземане на решения.
AI, ML, Дълбоко обучение
Диаграма, показваща връзките между AI, ML, дълбоко обучение и наука за данни. Инфографика от Jen Looper, вдъхновена от тази графика
Концепции, които ще разгледаме
В тази учебна програма ще разгледаме само основните концепции на машинното обучение, които един начинаещ трябва да знае. Ще се фокусираме върху това, което наричаме „класическо машинно обучение“, като основно използваме Scikit-learn, отлична библиотека, която много студенти използват за изучаване на основите. За да разберете по-широки концепции на изкуствения интелект или дълбокото обучение, е необходимо силно фундаментално знание за машинното обучение, което бихме искали да предложим тук.
В този курс ще научите:
- основни концепции на машинното обучение
- историята на ML
- ML и справедливост
- техники за регресия в ML
- техники за класификация в ML
- техники за клъстеризация в ML
- техники за обработка на естествен език в ML
- техники за прогнозиране на времеви серии в ML
- обучение чрез подсилване
- реални приложения на ML
Какво няма да разгледаме
- дълбоко обучение
- невронни мрежи
- AI
За да осигурим по-добро учебно преживяване, ще избегнем сложностите на невронните мрежи, „дълбокото обучение“ – моделиране с много слоеве, използвайки невронни мрежи – и AI, които ще разгледаме в друга учебна програма. Също така ще предложим предстояща учебна програма за наука за данни, за да се фокусираме върху този аспект на по-голямото поле.
Защо да изучаваме машинно обучение?
Машинното обучение, от гледна точка на системите, се определя като създаване на автоматизирани системи, които могат да научат скрити модели от данни, за да подпомогнат вземането на интелигентни решения.
Тази мотивация е свободно вдъхновена от начина, по който човешкият мозък научава определени неща въз основа на данните, които възприема от външния свят.
✅ Помислете за минута защо един бизнес би искал да използва стратегии за машинно обучение вместо да създаде система с твърдо кодирани правила.
Приложения на машинното обучение
Приложенията на машинното обучение вече са почти навсякъде и са толкова разпространени, колкото и данните, които се генерират в нашите общества от нашите смартфони, свързани устройства и други системи. Като се има предвид огромният потенциал на съвременните алгоритми за машинно обучение, изследователите проучват тяхната способност да решават многомерни и многодисциплинарни реални проблеми с отлични положителни резултати.
Примери за приложено ML
Можете да използвате машинно обучение по много начини:
- За прогнозиране на вероятността за заболяване въз основа на медицинската история или доклади на пациента.
- За използване на данни за времето за прогнозиране на метеорологични събития.
- За разбиране на настроението на текст.
- За откриване на фалшиви новини, за да се спре разпространението на пропаганда.
Финанси, икономика, земни науки, космически изследвания, биомедицинско инженерство, когнитивни науки и дори хуманитарни науки са адаптирали машинното обучение, за да решат трудните, тежки за обработка на данни проблеми в своите области.
Заключение
Машинното обучение автоматизира процеса на откриване на модели, като намира значими прозрения от реални или генерирани данни. То се е доказало като изключително ценно в бизнес, здравеопазване и финансови приложения, наред с други.
В близко бъдеще разбирането на основите на машинното обучение ще бъде задължително за хора от всяка област поради широкото му приложение.
🚀 Предизвикателство
Нарисувайте, на хартия или с онлайн приложение като Excalidraw, вашето разбиране за разликите между AI, ML, дълбоко обучение и наука за данни. Добавете идеи за проблеми, които всяка от тези техники е добра за решаване.
Тест след лекцията
Преглед и самостоятелно обучение
За да научите повече за това как можете да работите с ML алгоритми в облака, следвайте този учебен път.
Вземете учебен път за основите на ML.
Задание
Отказ от отговорност:
Този документ е преведен с помощта на AI услуга за превод Co-op Translator. Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да е недоразумения или погрешни интерпретации, произтичащи от използването на този превод.