leestott
eaff2e5814
|
2 weeks ago | |
|---|---|---|
| .. | ||
| README.md | 2 weeks ago | |
| assignment.md | 3 weeks ago | |
README.md
Введение в машинное обучение
Тест перед лекцией
🎥 Нажмите на изображение выше, чтобы посмотреть короткое видео, связанное с этим уроком.
Добро пожаловать на курс классического машинного обучения для начинающих! Независимо от того, являетесь ли вы новичком в этой теме или опытным специалистом, желающим освежить знания, мы рады видеть вас здесь! Мы стремимся создать дружелюбную отправную точку для изучения машинного обучения и будем рады оценить, ответить и учесть ваши отзывы.
🎥 Нажмите на изображение выше, чтобы посмотреть видео: Джон Гуттаг из MIT представляет машинное обучение.
Начало работы с машинным обучением
Перед началом изучения этого курса необходимо настроить ваш компьютер для локального запуска ноутбуков.
- Настройте ваш компьютер с помощью этих видео. Используйте следующие ссылки, чтобы узнать как установить Python на вашу систему и настроить текстовый редактор для разработки.
- Изучите Python. Также рекомендуется иметь базовые знания Python, языка программирования, полезного для специалистов по данным, который мы используем в этом курсе.
- Изучите Node.js и JavaScript. Мы также несколько раз используем JavaScript в этом курсе при создании веб-приложений, поэтому вам нужно установить node и npm, а также иметь Visual Studio Code для разработки на Python и JavaScript.
- Создайте аккаунт на GitHub. Поскольку вы нашли нас здесь, на GitHub, возможно, у вас уже есть аккаунт, но если нет, создайте его, а затем сделайте форк этого курса для использования. (Не забудьте поставить нам звезду 😊)
- Изучите Scikit-learn. Ознакомьтесь с Scikit-learn, набором библиотек для машинного обучения, которые мы используем в этих уроках.
Что такое машинное обучение?
Термин "машинное обучение" является одним из самых популярных и часто используемых в наше время. Существует немалая вероятность, что вы слышали этот термин хотя бы раз, если вы знакомы с технологиями, независимо от вашей области работы. Однако механика машинного обучения остается загадкой для большинства людей. Для новичка в машинном обучении эта тема иногда может казаться сложной. Поэтому важно понять, что такое машинное обучение, и изучать его шаг за шагом, через практические примеры.
Кривая популярности
Google Trends показывает недавнюю "кривую популярности" термина "машинное обучение".
Загадочная вселенная
Мы живем в мире, полном увлекательных загадок. Великие ученые, такие как Стивен Хокинг, Альберт Эйнштейн и многие другие, посвятили свою жизнь поиску значимой информации, которая раскрывает тайны окружающего нас мира. Это человеческое стремление к обучению: ребенок учится новому и год за годом открывает структуру своего мира, взрослея.
Мозг ребенка
Мозг и органы чувств ребенка воспринимают факты окружающего мира и постепенно изучают скрытые закономерности жизни, которые помогают ребенку формулировать логические правила для распознавания изученных шаблонов. Процесс обучения человеческого мозга делает людей самыми сложными живыми существами на этой планете. Постоянное обучение через открытие скрытых закономерностей и последующее их использование позволяет нам становиться лучше и лучше на протяжении всей жизни. Эта способность к обучению и эволюции связана с концепцией, называемой пластичностью мозга. Поверхностно мы можем провести некоторые мотивационные аналогии между процессом обучения человеческого мозга и концепциями машинного обучения.
Человеческий мозг
Человеческий мозг воспринимает информацию из реального мира, обрабатывает полученные данные, принимает рациональные решения и выполняет определенные действия в зависимости от обстоятельств. Это то, что мы называем разумным поведением. Когда мы программируем подобие процесса разумного поведения для машины, это называется искусственным интеллектом (AI).
Некоторая терминология
Хотя термины могут путать, машинное обучение (ML) является важным подмножеством искусственного интеллекта. ML занимается использованием специализированных алгоритмов для выявления значимой информации и поиска скрытых закономерностей в полученных данных, чтобы подтвердить процесс рационального принятия решений.
AI, ML, глубокое обучение
Диаграмма, показывающая взаимосвязь между AI, ML, глубоким обучением и наукой о данных. Инфографика от Джен Лупер, вдохновленная этим графиком.
Темы, которые мы рассмотрим
В этом курсе мы будем рассматривать только основные концепции машинного обучения, которые должен знать новичок. Мы сосредоточимся на том, что называем "классическим машинным обучением", используя в основном Scikit-learn, отличную библиотеку, которую многие студенты используют для изучения основ. Чтобы понять более широкие концепции искусственного интеллекта или глубокого обучения, необходимо иметь сильные фундаментальные знания машинного обучения, которые мы хотим предложить здесь.
В этом курсе вы изучите:
- основные концепции машинного обучения
- историю ML
- ML и справедливость
- методы регрессии в ML
- методы классификации в ML
- методы кластеризации в ML
- обработку естественного языка в ML
- прогнозирование временных рядов в ML
- обучение с подкреплением
- реальные приложения ML
Что мы не будем рассматривать
- глубокое обучение
- нейронные сети
- AI
Для лучшего обучения мы избегаем сложностей нейронных сетей, "глубокого обучения" — многослойного построения моделей с использованием нейронных сетей — и AI, которые мы обсудим в другом курсе. Мы также предложим предстоящий курс по науке о данных, чтобы сосредоточиться на этом аспекте более широкой области.
Зачем изучать машинное обучение?
Машинное обучение, с точки зрения систем, определяется как создание автоматизированных систем, которые могут изучать скрытые закономерности из данных, чтобы помогать в принятии разумных решений.
Эта мотивация в некоторой степени вдохновлена тем, как человеческий мозг изучает определенные вещи на основе данных, которые он воспринимает из внешнего мира.
✅ Подумайте минуту, почему бизнесу может быть выгодно использовать стратегии машинного обучения вместо создания жестко закодированного движка на основе правил.
Применение машинного обучения
Применение машинного обучения сейчас практически повсюду и так же распространено, как данные, которые циркулируют в нашем обществе, генерируемые нашими смартфонами, подключенными устройствами и другими системами. Учитывая огромный потенциал современных алгоритмов машинного обучения, исследователи изучают их возможности для решения многомерных и многопрофильных реальных задач с отличными положительными результатами.
Примеры применения ML
Машинное обучение можно использовать во многих областях:
- Для прогнозирования вероятности заболевания на основе медицинской истории или отчетов пациента.
- Для использования данных о погоде для прогнозирования погодных явлений.
- Для анализа настроения текста.
- Для выявления фейковых новостей и предотвращения распространения пропаганды.
Финансы, экономика, науки о Земле, космические исследования, биомедицинская инженерия, когнитивные науки и даже гуманитарные области адаптировали машинное обучение для решения сложных задач обработки данных в своих сферах.
Заключение
Машинное обучение автоматизирует процесс обнаружения закономерностей, находя значимые инсайты из реальных или сгенерированных данных. Оно доказало свою высокую ценность в бизнесе, здравоохранении, финансовых приложениях и других областях.
В ближайшем будущем понимание основ машинного обучения станет необходимостью для людей из любой области из-за его широкого распространения.
🚀 Задание
Нарисуйте, на бумаге или с помощью онлайн-приложения, например Excalidraw, ваше понимание различий между AI, ML, глубоким обучением и наукой о данных. Добавьте идеи о задачах, которые каждая из этих техник хорошо решает.
Тест после лекции
Обзор и самостоятельное изучение
Чтобы узнать больше о том, как работать с алгоритмами ML в облаке, пройдите учебный путь.
Пройдите учебный путь о основах ML.
Задание
Отказ от ответственности:
Этот документ был переведен с использованием сервиса автоматического перевода Co-op Translator. Хотя мы стремимся к точности, пожалуйста, имейте в виду, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникшие в результате использования данного перевода.