19 KiB
Εισαγωγή στη μηχανική μάθηση
Προ-διάλεξη κουίζ
🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα σύντομο βίντεο που επεξηγεί αυτό το μάθημα.
Καλώς ήρθατε σε αυτό το μάθημα για την κλασική μηχανική μάθηση για αρχάριους! Είτε είστε εντελώς νέοι σε αυτό το θέμα, είτε έμπειροι επαγγελματίες που θέλετε να ανανεώσετε τις γνώσεις σας, είμαστε χαρούμενοι που είστε μαζί μας! Θέλουμε να δημιουργήσουμε ένα φιλικό σημείο εκκίνησης για τη μελέτη σας στη μηχανική μάθηση και θα χαρούμε να αξιολογήσουμε, να απαντήσουμε και να ενσωματώσουμε τα σχόλιά σας.
🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα βίντεο: Ο John Guttag του MIT παρουσιάζει τη μηχανική μάθηση
Ξεκινώντας με τη μηχανική μάθηση
Πριν ξεκινήσετε με αυτό το πρόγραμμα σπουδών, πρέπει να έχετε τον υπολογιστή σας έτοιμο να τρέξει notebooks τοπικά.
- Ρυθμίστε τον υπολογιστή σας με αυτά τα βίντεο. Χρησιμοποιήστε τους παρακάτω συνδέσμους για να μάθετε πώς να εγκαταστήσετε την Python στο σύστημά σας και πώς να ρυθμίσετε έναν επεξεργαστή κειμένου για ανάπτυξη.
- Μάθετε Python. Συνιστάται επίσης να έχετε μια βασική κατανόηση της Python, μιας γλώσσας προγραμματισμού χρήσιμης για επιστήμονες δεδομένων που χρησιμοποιούμε σε αυτό το μάθημα.
- Μάθετε Node.js και JavaScript. Χρησιμοποιούμε επίσης JavaScript μερικές φορές σε αυτό το μάθημα για την κατασκευή web εφαρμογών, οπότε θα χρειαστεί να έχετε εγκατεστημένα node και npm, καθώς και Visual Studio Code διαθέσιμο για ανάπτυξη τόσο σε Python όσο και σε JavaScript.
- Δημιουργήστε έναν λογαριασμό GitHub. Αφού μας βρήκατε εδώ στο GitHub, ίσως έχετε ήδη έναν λογαριασμό, αλλά αν όχι, δημιουργήστε έναν και στη συνέχεια κάντε fork αυτό το πρόγραμμα σπουδών για να το χρησιμοποιήσετε μόνοι σας. (Μη διστάσετε να μας δώσετε ένα αστέρι, επίσης 😊)
- Εξερευνήστε το Scikit-learn. Εξοικειωθείτε με το Scikit-learn, ένα σύνολο βιβλιοθηκών ML που αναφέρουμε σε αυτά τα μαθήματα.
Τι είναι η μηχανική μάθηση;
Ο όρος 'μηχανική μάθηση' είναι ένας από τους πιο δημοφιλείς και συχνά χρησιμοποιούμενους όρους της εποχής μας. Υπάρχει μια σημαντική πιθανότητα να έχετε ακούσει αυτόν τον όρο τουλάχιστον μία φορά αν έχετε κάποια εξοικείωση με την τεχνολογία, ανεξάρτητα από τον τομέα στον οποίο εργάζεστε. Ωστόσο, οι μηχανισμοί της μηχανικής μάθησης παραμένουν μυστήριο για τους περισσότερους ανθρώπους. Για έναν αρχάριο στη μηχανική μάθηση, το θέμα μπορεί μερικές φορές να φαίνεται συντριπτικό. Επομένως, είναι σημαντικό να κατανοήσουμε τι είναι πραγματικά η μηχανική μάθηση και να τη μάθουμε βήμα προς βήμα, μέσα από πρακτικά παραδείγματα.
Η καμπύλη υπερβολής
Το Google Trends δείχνει την πρόσφατη 'καμπύλη υπερβολής' του όρου 'μηχανική μάθηση'
Ένα μυστηριώδες σύμπαν
Ζούμε σε ένα σύμπαν γεμάτο συναρπαστικά μυστήρια. Μεγάλοι επιστήμονες όπως ο Stephen Hawking, ο Albert Einstein και πολλοί άλλοι έχουν αφιερώσει τη ζωή τους στην αναζήτηση σημαντικών πληροφοριών που αποκαλύπτουν τα μυστήρια του κόσμου γύρω μας. Αυτή είναι η ανθρώπινη κατάσταση της μάθησης: ένα παιδί μαθαίνει νέα πράγματα και αποκαλύπτει τη δομή του κόσμου του χρόνο με τον χρόνο καθώς μεγαλώνει.
Ο εγκέφαλος του παιδιού
Ο εγκέφαλος και οι αισθήσεις ενός παιδιού αντιλαμβάνονται τα γεγονότα του περιβάλλοντός τους και σταδιακά μαθαίνουν τα κρυμμένα μοτίβα της ζωής που βοηθούν το παιδί να δημιουργήσει λογικούς κανόνες για να αναγνωρίσει τα μοτίβα που έχει μάθει. Η διαδικασία μάθησης του ανθρώπινου εγκεφάλου κάνει τους ανθρώπους το πιο εξελιγμένο ζωντανό πλάσμα αυτού του κόσμου. Η συνεχής μάθηση μέσω της ανακάλυψης κρυμμένων μοτίβων και στη συνέχεια η καινοτομία πάνω σε αυτά τα μοτίβα μας επιτρέπει να γινόμαστε καλύτεροι καθ' όλη τη διάρκεια της ζωής μας. Αυτή η ικανότητα μάθησης και εξέλιξης σχετίζεται με μια έννοια που ονομάζεται πλαστικότητα του εγκεφάλου. Επιφανειακά, μπορούμε να βρούμε κάποιες παρακινητικές ομοιότητες μεταξύ της διαδικασίας μάθησης του ανθρώπινου εγκεφάλου και των εννοιών της μηχανικής μάθησης.
Ο ανθρώπινος εγκέφαλος
Ο ανθρώπινος εγκέφαλος αντιλαμβάνεται πράγματα από τον πραγματικό κόσμο, επεξεργάζεται τις πληροφορίες που αντιλαμβάνεται, λαμβάνει λογικές αποφάσεις και εκτελεί συγκεκριμένες ενέργειες βάσει των περιστάσεων. Αυτό είναι που ονομάζουμε έξυπνη συμπεριφορά. Όταν προγραμματίζουμε μια απομίμηση της διαδικασίας έξυπνης συμπεριφοράς σε μια μηχανή, αυτό ονομάζεται τεχνητή νοημοσύνη (AI).
Κάποια ορολογία
Παρόλο που οι όροι μπορεί να προκαλούν σύγχυση, η μηχανική μάθηση (ML) είναι ένα σημαντικό υποσύνολο της τεχνητής νοημοσύνης. Η ML ασχολείται με τη χρήση εξειδικευμένων αλγορίθμων για την ανακάλυψη σημαντικών πληροφοριών και την εύρεση κρυμμένων μοτίβων από δεδομένα που έχουν αντιληφθεί, ώστε να υποστηρίξει τη διαδικασία λήψης λογικών αποφάσεων.
AI, ML, Βαθιά Μάθηση
Ένα διάγραμμα που δείχνει τις σχέσεις μεταξύ AI, ML, βαθιάς μάθησης και επιστήμης δεδομένων. Infographic από την Jen Looper εμπνευσμένο από αυτό το γραφικό
Έννοιες που θα καλύψουμε
Σε αυτό το πρόγραμμα σπουδών, θα καλύψουμε μόνο τις βασικές έννοιες της μηχανικής μάθησης που πρέπει να γνωρίζει ένας αρχάριος. Καλύπτουμε αυτό που ονομάζουμε 'κλασική μηχανική μάθηση', χρησιμοποιώντας κυρίως το Scikit-learn, μια εξαιρετική βιβλιοθήκη που πολλοί μαθητές χρησιμοποιούν για να μάθουν τα βασικά. Για να κατανοήσετε ευρύτερες έννοιες της τεχνητής νοημοσύνης ή της βαθιάς μάθησης, είναι απαραίτητη μια ισχυρή θεμελιώδης γνώση της μηχανικής μάθησης, την οποία θέλουμε να προσφέρουμε εδώ.
Σε αυτό το μάθημα θα μάθετε:
- βασικές έννοιες της μηχανικής μάθησης
- την ιστορία της ML
- ML και δικαιοσύνη
- τεχνικές ML παλινδρόμησης
- τεχνικές ML ταξινόμησης
- τεχνικές ML ομαδοποίησης
- τεχνικές ML επεξεργασίας φυσικής γλώσσας
- τεχνικές ML πρόβλεψης χρονοσειρών
- ενισχυτική μάθηση
- εφαρμογές της ML στον πραγματικό κόσμο
Τι δεν θα καλύψουμε
- βαθιά μάθηση
- νευρωνικά δίκτυα
- AI
Για να προσφέρουμε μια καλύτερη εμπειρία μάθησης, θα αποφύγουμε τις πολυπλοκότητες των νευρωνικών δικτύων, της 'βαθιάς μάθησης' - της δημιουργίας μοντέλων με πολλά επίπεδα χρησιμοποιώντας νευρωνικά δίκτυα - και της AI, την οποία θα συζητήσουμε σε ένα διαφορετικό πρόγραμμα σπουδών. Θα προσφέρουμε επίσης ένα επερχόμενο πρόγραμμα σπουδών για την επιστήμη δεδομένων για να επικεντρωθούμε σε αυτήν την πτυχή αυτού του ευρύτερου πεδίου.
Γιατί να μελετήσετε μηχανική μάθηση;
Η μηχανική μάθηση, από την οπτική των συστημάτων, ορίζεται ως η δημιουργία αυτοματοποιημένων συστημάτων που μπορούν να μάθουν κρυμμένα μοτίβα από δεδομένα για να βοηθήσουν στη λήψη έξυπνων αποφάσεων.
Αυτή η κίνητρο είναι χαλαρά εμπνευσμένο από το πώς ο ανθρώπινος εγκέφαλος μαθαίνει ορισμένα πράγματα βάσει των δεδομένων που αντιλαμβάνεται από τον έξω κόσμο.
✅ Σκεφτείτε για ένα λεπτό γιατί μια επιχείρηση θα ήθελε να χρησιμοποιήσει στρατηγικές μηχανικής μάθησης αντί να δημιουργήσει μια μηχανή βασισμένη σε σκληρούς κανόνες.
Εφαρμογές της μηχανικής μάθησης
Οι εφαρμογές της μηχανικής μάθησης είναι πλέον σχεδόν παντού και είναι τόσο διαδεδομένες όσο τα δεδομένα που ρέουν γύρω από τις κοινωνίες μας, που παράγονται από τα έξυπνα τηλέφωνα, τις συνδεδεμένες συσκευές και άλλα συστήματα. Λαμβάνοντας υπόψη το τεράστιο δυναμικό των προηγμένων αλγορίθμων μηχανικής μάθησης, οι ερευνητές εξερευνούν την ικανότητά τους να λύνουν πολυδιάστατα και πολυεπιστημονικά προβλήματα της πραγματικής ζωής με εξαιρετικά θετικά αποτελέσματα.
Παραδείγματα εφαρμοσμένης ML
Μπορείτε να χρησιμοποιήσετε τη μηχανική μάθηση με πολλούς τρόπους:
- Για να προβλέψετε την πιθανότητα ασθένειας από το ιατρικό ιστορικό ή τις αναφορές ενός ασθενούς.
- Για να αξιοποιήσετε δεδομένα καιρού για να προβλέψετε καιρικά φαινόμενα.
- Για να κατανοήσετε το συναίσθημα ενός κειμένου.
- Για να εντοπίσετε ψευδείς ειδήσεις και να σταματήσετε τη διάδοση προπαγάνδας.
Η χρηματοοικονομική, η οικονομία, η επιστήμη της γης, η εξερεύνηση του διαστήματος, η βιοϊατρική μηχανική, η γνωστική επιστήμη και ακόμη και τομείς στις ανθρωπιστικές επιστήμες έχουν προσαρμόσει τη μηχανική μάθηση για να λύσουν τα δύσκολα προβλήματα επεξεργασίας δεδομένων του τομέα τους.
Συμπέρασμα
Η μηχανική μάθηση αυτοματοποιεί τη διαδικασία ανακάλυψης μοτίβων βρίσκοντας σημαντικές πληροφορίες από δεδομένα του πραγματικού κόσμου ή δεδομένα που έχουν δημιουργηθεί. Έχει αποδειχθεί εξαιρετικά πολύτιμη σε επιχειρηματικές, υγειονομικές και χρηματοοικονομικές εφαρμογές, μεταξύ άλλων.
Στο εγγύς μέλλον, η κατανόηση των βασικών της μηχανικής μάθησης θα είναι απαραίτητη για ανθρώπους από οποιονδήποτε τομέα λόγω της ευρείας υιοθέτησής της.
🚀 Πρόκληση
Σχεδιάστε, σε χαρτί ή χρησιμοποιώντας μια online εφαρμογή όπως το Excalidraw, την κατανόησή σας για τις διαφορές μεταξύ AI, ML, βαθιάς μάθησης και επιστήμης δεδομένων. Προσθέστε κάποιες ιδέες για προβλήματα που είναι καλές αυτές οι τεχνικές να λύσουν.
Μετά-διάλεξη κουίζ
Ανασκόπηση & Αυτομελέτη
Για να μάθετε περισσότερα σχετικά με το πώς μπορείτε να εργαστείτε με αλγορίθμους ML στο cloud, ακολουθήστε αυτό το Learning Path.
Ακολουθήστε ένα Learning Path σχετικά με τα βασικά της ML.
Εργασία
Αποποίηση ευθύνης:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης Co-op Translator. Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.