17 KiB
Введение в машинное обучение
Тест перед лекцией
🎥 Нажмите на изображение выше, чтобы посмотреть короткое видео по этому уроку.
Добро пожаловать на курс по классическому машинному обучению для начинающих! Независимо от того, являетесь ли вы новичком в этой теме или опытным специалистом, желающим освежить знания, мы рады, что вы с нами! Мы стремимся создать дружелюбную отправную точку для вашего 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 работы с этим курсом убедитесь, что ваш компьютер настроен для локального запуска ноутбуков.
- Настройте ваш компьютер с помощью этих видео. Используйте следующие ссылки, чтобы узнать, как установить Python на ваш компьютер и настроить текстовый редактор для разработки.
- Изучите Python. 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 на GitHub, у вас, возможно, уже есть аккаунт, но если нет, создайте его, а затем форкните этот курс 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" — один из самых популярных и часто используемых в наши дни. Существует немалая вероятность, что вы слышали этот термин хотя бы раз, если вы хоть как-то связаны с технологиями, независимо от вашей области работы. Однако механика машинного обучения остается загадкой для большинства людей. Для начинающего изучение машинного обучения может показаться сложным. Поэтому важно понять, что такое машинное обучение, и изучать его шаг за шагом, через практические примеры.
Кривая ажиотажа
Google Trends показывает недавнюю "кривую ажиотажа" термина "машинное обучение".
Загадочная вселенная
Мы живем в мире, полном удивительных загадок. Великие ученые, такие как Стивен Хокинг, Альберт Эйнштейн и многие другие, посвятили свои жизни поиску значимой информации, которая раскрывает тайны окружающего нас мира. Это человеческая природа — учиться: ребенок познает новое и открывает структуру своего мира год за годом, взрослея.
Мозг ребенка
Мозг и органы чувств ребенка воспринимают факты окружающего мира и постепенно изучают скрытые закономерности жизни, которые помогают ребенку формировать логические правила для распознавания изученных шаблонов. Процесс обучения человеческого мозга делает людей самыми сложными существами на этой планете. Постоянное обучение через открытие скрытых закономерностей и последующее их использование позволяет нам становиться лучше на протяжении всей жизни. Эта способность к обучению и развитию связана с понятием пластичности мозга. На поверхностном уровне можно провести мотивационные параллели между процессом обучения человеческого мозга и концепциями машинного обучения.
Человеческий мозг
Человеческий мозг воспринимает информацию из реального мира, обрабатывает ее, принимает рациональные решения и выполняет определенные действия в зависимости от обстоятельств. Это то, что мы называем разумным поведением. Когда мы программируем подобие этого процесса разумного поведения в машине, 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 данных, чтобы поддерживать 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 этой графикой.
Концепции, которые мы изучим
В этом курсе мы рассмотрим только основные концепции машинного обучения, которые должен знать каждый начинающий. Мы сосредоточимся на так называемом "классическом машинном обучении", 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 прочные базовые знания машинного обучения, которые мы и предлагаем 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 изучать
- 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 будущий курс по науке о данных, чтобы сосредоточиться на этом аспекте более широкой области.
Зачем изучать машинное обучение?
С точки зрения систем, машинное обучение определяется как создание автоматизированных систем, которые могут изучать скрытые закономерности в данных, чтобы помогать в принятии разумных решений.
Эта мотивация отчасти 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 закодированных правил.
Применение машинного обучения
Применение машинного обучения сейчас практически повсеместно и так же широко, как и 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 многодисциплинарных реальных задач с отличными 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 дисциплины адаптировали машинное обучение для решения сложных задач, связанных с обработкой данных, в своих областях.
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, такого как 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 этот учебный путь.
Пройдите учебный путь о базовых принципах ML.
Задание
Отказ от ответственности:
Этот документ был переведен с использованием сервиса автоматического перевода Co-op Translator. Несмотря на наши усилия обеспечить точность, автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его родном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникающие в результате использования данного перевода.