leestott
ffd4047095
|
3 weeks ago | |
|---|---|---|
| .. | ||
| README.md | 3 weeks ago | |
| assignment.md | 3 weeks ago | |
README.md
Вступ до машинного навчання
Тест перед лекцією
🎥 Натисніть на зображення вище, щоб переглянути коротке відео, яке пояснює цей урок.
Ласкаво просимо до курсу класичного машинного навчання для початківців! Незалежно від того, чи ви абсолютно новачок у цій темі, чи досвідчений практик ML, який хоче освіжити знання, ми раді вас бачити! Ми прагнемо створити дружню стартову платформу для вашого навчання ML і будемо раді оцінити, відповісти та врахувати ваші відгуки.
🎥 Натисніть на зображення вище, щоб переглянути відео: Джон Гуттаг з MIT представляє машинне навчання
Початок роботи з машинним навчанням
Перед початком цього курсу вам потрібно налаштувати свій комп'ютер для локального запуску ноутбуків.
- Налаштуйте свій комп'ютер за допомогою цих відео. Використовуйте наступні посилання, щоб дізнатися як встановити Python на вашій системі та налаштувати текстовий редактор для розробки.
- Вивчіть Python. Також рекомендується мати базове розуміння Python, мови програмування, яка корисна для спеціалістів з даних і яку ми використовуємо в цьому курсі.
- Вивчіть Node.js та JavaScript. Ми також кілька разів використовуємо JavaScript у цьому курсі 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 вже є обліковий запис, але якщо ні, створіть його, а потім форкніть цей курс для власного використання. (Можете також поставити нам зірочку 😊)
- Ознайомтеся з Scikit-learn. Ознайомтеся з Scikit-learn, набором бібліотек ML, які ми використовуємо в цих уроках.
Що таке машинне навчання?
Термін "машинне навчання" є одним із найпопулярніших і найчастіше використовуваних термінів сьогодення. Існує значна ймовірність, що ви чули цей термін хоча б раз, якщо маєте певне знайомство з технологіями, незалежно від того, в якій галузі працюєте. Однак механізми машинного навчання залишаються загадкою для більшості людей. Для початківця в машинному навчанні ця тема іноді може здаватися складною. Тому важливо зрозуміти, що таке машинне навчання, і вивчати його поступово, через практичні приклади.
Крива популярності
Google Trends показує останню "криву популярності" терміну "машинне навчання"
Загадковий всесвіт
Ми живемо у всесвіті, повному захоплюючих загадок. Великі вчені, такі як Стівен Гокінг, Альберт Ейнштейн та багато інших, присвятили своє життя пошуку значущої інформації, яка розкриває таємниці світу навколо нас. Це людська природа навчання: дитина вчиться новому і рік за роком відкриває структуру свого світу, дорослішаючи.
Мозок дитини
Мозок і органи чуття дитини сприймають факти про навколишнє середовище і поступово вивчають приховані закономірності життя, які допомагають дитині створювати логічні правила для розпізнавання вивчених шаблонів. Процес навчання людського мозку робить людей найскладнішими живими істотами на цій планеті. Постійне навчання через відкриття прихованих закономірностей і подальше вдосконалення цих закономірностей дозволяє нам ставати кращими протягом усього життя. Ця здатність до навчання та еволюції пов'язана з концепцією, яка називається пластичність мозку. Поверхнево ми можемо провести деякі мотиваційні паралелі між процесом навчання людського мозку і концепціями машинного навчання.
Людський мозок
Людський мозок сприймає речі з реального світу, обробляє отриману інформацію, приймає раціональні рішення і виконує певні дії залежно від обставин. Це те, що ми називаємо розумною поведінкою. Коли ми програмуємо імітацію процесу розумної поведінки для машини, це називається штучним інтелектом (AI).
Деяка термінологія
Хоча терміни можуть плутатися, машинне навчання (ML) є важливим підрозділом штучного інтелекту. ML займається використанням спеціалізованих алгоритмів для виявлення значущої інформації та пошуку прихованих закономірностей у отриманих даних для підтвердження процесу раціонального прийняття рішень.
AI, ML, глибоке навчання
Діаграма, що показує взаємозв'язки між AI, ML, глибоким навчанням і наукою про дані. Інфографіка від Jen Looper, натхненна цією графікою
Концепції, які ми розглянемо
У цьому курсі ми розглянемо лише основні концепції машинного навчання, які повинен знати початківець. Ми зосередимося на тому, що називаємо "класичним машинним навчанням", використовуючи переважно Scikit-learn, чудову бібліотеку, яку багато студентів використовують для вивчення основ. Щоб зрозуміти ширші концепції штучного інтелекту або глибокого навчання, необхідно мати міцні базові знання машинного навчання, і ми прагнемо надати їх тут.
У цьому курсі ви навчитеся:
- основним концепціям машинного навчання
- історії ML
- ML і справедливості
- технікам регресії в ML
- технікам класифікації в ML
- технікам кластеризації в ML
- обробці природної мови в ML
- прогнозуванню часових рядів у ML
- навчанню з підкріпленням
- реальним застосуванням ML
Що ми не будемо розглядати
- глибоке навчання
- нейронні мережі
- AI
Для кращого навчального досвіду ми уникатимемо складнощів нейронних мереж, "глибокого навчання" - багатошарового моделювання за допомогою нейронних мереж - і AI, які ми розглянемо в іншому курсі. Ми також запропонуємо майбутній курс з науки про дані, щоб зосередитися на цьому аспекті цієї ширшої галузі.
Чому варто вивчати машинне навчання?
Машинне навчання, з точки зору систем, визначається як створення автоматизованих систем, які можуть вивчати приховані закономірності з даних для допомоги у прийнятті розумних рішень.
Ця мотивація частково натхненна тим, як людський мозок вчиться певним речам на основі даних, які він отримує з навколишнього світу.
✅ Подумайте хвилину, чому бізнес може захотіти використовувати стратегії машинного навчання замість створення жорстко закодованого механізму на основі правил.
Застосування машинного навчання
Застосування машинного навчання зараз майже всюди і таке ж поширене, як і дані, які циркулюють у наших суспільствах, створені нашими смартфонами, підключеними пристроями та іншими системами. Враховуючи величезний потенціал сучасних алгоритмів машинного навчання, дослідники досліджують їхню здатність вирішувати багатовимірні та багатопрофільні реальні проблеми з великими позитивними результатами.
Приклади застосування ML
Машинне навчання можна використовувати багатьма способами:
- Для прогнозування ймовірності захворювання на основі медичної історії або звітів пацієнта.
- Для використання даних про погоду для прогнозування погодних явищ.
- Для розуміння настрою тексту.
- Для виявлення фейкових новин, щоб зупинити поширення пропаганди.
Фінанси, економіка, науки про Землю, космічні дослідження, біомедична інженерія, когнітивні науки і навіть гуманітарні галузі адаптували машинне навчання для вирішення складних проблем, пов'язаних з обробкою даних у їхніх сферах.
Висновок
Машинне навчання автоматизує процес відкриття закономірностей, знаходячи значущі інсайти з реальних або створених даних. Воно довело свою високу цінність у бізнесі, медицині, фінансових додатках та інших сферах.
У найближчому майбутньому розуміння основ машинного навчання стане необхідністю для людей з будь-якої галузі через його широке впровадження.
🚀 Виклик
Намалюйте на папері або за допомогою онлайн-додатку, такого як Excalidraw, ваше розуміння відмінностей між AI, ML, глибоким навчанням і наукою про дані. Додайте ідеї проблем, які кожна з цих технік добре вирішує.
Тест після лекції
Огляд і самостійне навчання
Щоб дізнатися більше про те, як працювати з алгоритмами ML у хмарі, пройдіть цей навчальний шлях.
Пройдіть навчальний шлях про основи ML.
Завдання
Відмова від відповідальності:
Цей документ був перекладений за допомогою сервісу автоматичного перекладу Co-op Translator. Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу.