17 KiB
Введение в машинное обучение
🎥 Нажмите на изображение выше, чтобы просмотреть видео, в котором обсуждается разница между машинным обучением, искусственным интеллектом и глубоким обучением.
Тест перед лекцией
Добро пожаловать на курс классического машинного обучения для начинающих! Если вы новичок в этой теме или опытный специалист по машинному обучению, желающий освежить свои знания в какой-либо области, мы рады, что вы присоединились к нам! Мы хотим создать удобную стартовую площадку для вашего изучения машинного обучения и будем рады ответить и учесть ваши отзывы.
🎥 Нажмите на изображение выше, чтобы просмотреть видео: Джон Гуттаг из Массачусетского технологического института представляет машинное обучение
Начало работы с машинным обучением
Перед тем, как приступить к изучению этой учебной программы, вам необходимо настроить компьютер и подготовить его для работы с ноутбуками локально.
- Настройте свою машину с помощью этих видео. Воспользуйтесь следующими ссылками, чтобы узнать как установить Python в вашей системе и настроить текстовый редактор для разработки.
- Изучите Python. Также рекомендуется иметь базовые знания о Python, языке программирования, полезном 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 потребуется установить node и npm, а также Visual Studio Code, доступный для разработки как на Python, так и на JavaScript.
- Создайте учетную запись GitHub. Поскольку вы нашли нас на GitHub, возможно, у вас уже есть учетная запись, но если нет, создайте ее, а затем создайте форк этой учебной программы, чтобы использовать ее самостоятельно. (Не стесняйтесь поставить звезду этому репозиторию 😊)
- Ознакомьтесь со Scikit-learn. Ознакомьтесь со Scikit-learn, набором библиотек для машинного обучения, на которые мы ссылаемся в этих уроках.
Что такое машинное обучение?
Термин "машинное обучение" - один из самых популярных и часто используемых сегодня терминов. Очень вероятно, что вы слышали этот термин хотя бы раз, если вы хоть немного знакомы с технологиями, независимо от того, в какой области вы работаете. Однако механика машинного обучения остается загадкой для большинства людей. Для новичка в машинном обучении эта тема иногда может показаться сложной. Поэтому важно понимать, что такое машинное обучение на самом деле, и изучать его шаг за шагом на практических примерах.
Кривая хайпа
Google Trends показывает недавнюю "кривую хайпа" термина "машинное обучение".
Загадочная вселенная
Мы живем во вселенной, полной завораживающих загадок. Великие ученые, такие как Стивен Хокинг, Альберт Эйнштейн и многие другие, посвятили свою жизнь поиску значимой информации, раскрывающей тайны окружающего нас мира. Это условие обучения: ребенок из года в год узнает новое и раскрывает структуру окружающего мира по мере взросления.
Мозг ребенка
Мозг и органы чувств ребенка воспринимают факты из своего окружения и постепенно изучают скрытые закономерности жизни, которые помогают ребенку выработать логические правила для определения усвоенных закономерностей. Процесс обучения человеческого мозга делает людей самыми изощренными живыми существами в этом мире. Постоянное обучение, обнаружение скрытых закономерностей и последующее внедрение инноваций, позволяет нам становиться лучше и лучше на протяжении всей жизни. Эта способность к обучению и способность к развитию связаны с концепцией, называемой пластичность мозга. На первый взгляд, мы можем выявить некоторые мотивационные сходства между процессом обучения человеческого мозга и концепциями машинного обучения.
Человеческий мозг
Человеческий мозг воспринимает вещи из реального мира, обрабатывает воспринимаемую информацию, принимает рациональные решения и выполняет определенные действия в зависимости от обстоятельств. Это то, что мы называем разумным поведением. Когда мы программируем копию интеллектуального поведенческого процесса на компьютере, это называется искусственным интеллектом (ИИ).
Немного терминологии
Хотя термины могут запутать, машинное обучение (ML) является важным подмножеством искусственного интеллекта. Машинное обучение занимается использованием специализированных алгоритмов для раскрытия значимой информации и поиска скрытых закономерностей из воспринимаемых данных для подтверждения рационального процесса принятия решений.
AI, ML, глубокое обучение
Диаграмма, показывающая взаимосвязь между ИИ, машинным обучением, глубоким обучением и наукой о данных. Инфографика Jen Looper, вдохновленная этим рисунком
Концепции, которые охватывает этот курс
В этой учебной программе мы собираемся охватить только основные концепции машинного обучения, которые должен знать новичок. Мы рассматриваем то, что мы называем «классическим машинным обучением», в первую очередь с использованием Scikit-learn, отличной библиотеки, которую многие студенты используют для изучения основ. Чтобы понять более широкие концепции искусственного интеллекта или глубокого обучения, необходимы сильные фундаментальные знания о машинном обучении, и поэтому мы хотели бы предложить их здесь.
В этом курсе вы узнаете:
- основные концепции машинного обучения
- история ML
- ML и равнодоступность
- методы регрессионного машинного обучения
- классификация методов машинного обучения
- методы кластеризации машинного обучения
- методы машинного обучения обработки естественного языка
- методы машинного обучения прогнозирования временных рядов
- обучение с подкреплением
- реальные приложения для машинного обучения
Что мы не будем рассказывать
- глубокое обучение
- нейронные сети
- AI
Чтобы улучшить процесс изучения, мы будем избегать сложностей нейронных сетей, «глубокого обучения» - многоуровневого построения моделей с использованием нейронных сетей - и искусственного интеллекта, которые мы обсудим в другой учебной программе. Мы также представим учебную программу по науке о данных, чтобы сосредоточиться на этом аспекте этой более широкой области.
Зачем изучать машинное обучение?
Машинное обучение с системной точки зрения определяется как создание автоматизированных систем, которые могут изучать скрытые закономерности из данных, чтобы помочь в принятии разумных решений.
Эта мотивация во многом основана на том, как человеческий мозг учится определенным вещам на основе данных, которые он воспринимает из внешнего мира.
✅ Задумайтесь на минутку, почему компания может попытаться использовать стратегии машинного обучения вместо создания жестко запрограммированного механизма на основе правил.
Приложения машинного обучения
Приложения машинного обучения сейчас есть почти повсюду, и они столь же повсеместны, как и данные, которые присутствующие в нашем обществе, генерируемые нашими смартфонами, подключенными к сети устройствами и другими системами. Учитывая огромный потенциал современных алгоритмов машинного обучения, исследователи изучали их способность решать многомерные и междисциплинарные проблемы реальной жизни с отличными положительными результатами.
Примеры применяемого ML
Машинное обучение можно использовать разными способами:
- Предсказать вероятность заболевания на основании истории болезни пациента или отчетов.
- Использование данных о погоде для прогнозирования погодных явлений.
- Чтобы понять тональность текста.
- Для обнаружения фейковых новостей, чтобы остановить распространение пропаганды.
Финансы, экономика, науки о Земле, освоение космоса, биомедицинская инженерия, когнитивистика и даже области гуманитарных наук адаптировали машинное обучение для решения сложных задач обработки данных в своей области.
Заключение
Машинное обучение автоматизирует процесс обнаружения шаблонов, находя важные закономерности из реальных или сгенерированных данных. Оно зарекомендовало себя, среди прочего, как очень ценный инструмент для бизнеса, здравоохранения и финансов.
В ближайшем будущем понимание основ машинного обучения станет обязательным для людей из любой области из-за его широкого распространения.
🚀 Вызов
Набросайте на бумаге или с помощью онлайн-приложения, такого как Excalidraw, ваше понимание различий между AI, ML, глубоким обучением и наукой о данных. Добавьте несколько идей о проблемах, которые может решить каждый из этих методов.
Тест после лекции
Обзор и самообучение
Чтобы узнать больше о том, как вы можете работать с алгоритмами машинного обучения в облаке, следуйте курсу Learning Path.
Пройдите курс Learning Path по основам машинного обучения.