Koneoppimisen kehittäminen: Luo älykkäitä ohjelmistoroboteja

Disclosure: Tukisi auttaa pitämään sivuston toiminnassa! Ansaitsemme lähetysmaksun joistakin tämän sivun suosittelemista palveluista.


Koneoppiminen on tietotekniikan ala, joka tutkii tietokoneen kykyä oppia itsenäisesti, ilman että sitä on nimenomaisesti ohjelmoitu tekemään niin. Koneoppimista käytetään monissa laskentatapauksissa, joissa ekspressioitujen algoritmien ohjelmointi on mahdotonta ennustettavuuden vuoksi, esimerkiksi roskapostisuodatuksessa, tiedon louhinnassa ja analysoinnissa, OCR: ssä, haittaohjelmien havainnoinnissa, liikkeen seurannassa ja kuvion tunnistuksessa.

Lyhyt historia

AI: n alkuaikoina tutkijat olivat kiinnostuneita koneiden “oppimisesta” saapuvasta tiedosta. Nämä varhaiset lähestymistavat koneoppimiseen käyttivät erilaisia ​​symbolisia menetelmiä ja hermoverkkoja, mutta kasvava painottaminen loogiseen, tietopohjaiseen lähestymistapaan aiheutti jakauman AI: n ja koneoppimisen välillä.

Koneoppiminen kehittyi pyrkimyksestä kehittää tekoälyä ja sai suosion 1990-luvun alkupuolella erillisenä tietotekniikan alana. Koneoppimisen painopiste siirtyi pois AI: ltä perimästä symbolisesta lähestymistavasta käytännön ongelmien ratkaisuun tilastollisia menetelmiä ja malleja sekä todennäköisyyden teoriaa käyttämällä. Koneoppiminen on hyötynyt suuresti digitalisoidun tiedon paremmasta saatavuudesta ja mahdollisuudesta levittää tietoja Internetissä (esim. ”Iso data”).

Koneoppimisteoria ja lähestymistavat

”Oppimisen” koneen päätavoite on yleistää kokemuksestaan. Itse asiassa se on oppikoneen kyky suorittaa tarkasti aiemmin näkymättömiin tehtäviin luottaen oppimistietojoukkoon.

Koneoppimistehtävät luokitellaan usein kolmeen pääluokkaan tehtävän luonteesta ja opintosignaalista riippuen:

  • Ohjattu oppiminen – oppikoneelle esitetään esimerkkejä panoksista ja niiden tuloksista. Tavoitteena on oppia yleinen sääntö, joka kuvaa tulot lähtöihin.
  • Ohjaamaton oppiminen – oppimiskone jätetään yksin yrittämään löytää syötteen rakenne. Ohjaamaton oppiminen voi olla tavoite sinänsä.
  • Vahvistusoppiminen – kone on vuorovaikutuksessa dynaamisen ympäristön kanssa, jossa sen on suoritettava määritetty tehtävä, esimerkiksi auton autonominen ajaminen. Oppimiskoneelle annetaan palautetta palkkioina tai rangaistuksina tehtävän aikana.

Monia koneoppimiskonsepteja tai algoritmeja kehitettiin ratkaisemaan tiettyjä ongelmia tai tehtäviä. Luettelo on laaja, joten nimeämme vain muutamia käsitteitä: päätöksentekooppiminen, assosiaatiopuun oppiminen, syväoppiminen, induktiivinen logiikkaohjelmointi, klusterointi, esitysoppiminen, samankaltaisuus ja metrinen oppiminen, sääntöpohjainen koneoppiminen ja niin edelleen.

Koneoppiminen avaa myös monia eettisiä kysymyksiä. Oppimiskoneet käyttävät tietojoukkoja tiedon hankkimiseen ja päätöksentekoon, ja jos nämä tietojoukot ovat puolueellisia, ne voivat näkyä oppimiskoneen toiminnan aikana. Vastuullinen ja puolueeton tiedonkeruu on kriittinen osa koneoppimista.

Koneoppimisresurssit

Sukelluksen ottaminen koneoppimiseen vaatii useita edellytyksiä. Sinulla tulisi olla tausta tietokoneella ja matematiikalla tai tilastoilla, ja sinun on tietenkin hyvä ymmärrys tekniikasta ja ohjelmoinnista yleensä.

Lukuisia kursseja ja oppimateriaaleja on saatavana verkossa, ja erotimme muutaman:

  • Kokoelma Andrew Ngin koneoppimisluentoja Stanfordin kurssilta 229 YouTubessa tarjoaa hienon johdannon koneoppimiseen ja tilastollisiin kuvioiden tunnistamiseen.
  • Intro to Machine Learning on ilmainen verkkokurssi Udacity.com-sivustossa. Kurssi opettaa sinulle, kuinka poimia ja tunnistaa tietosi parhaiten edustavat hyödylliset ominaisuudet, muutama tärkeimmistä koneoppimisalgoritmeista ja kuinka arvioida koneoppimisalgoritmien suorituskykyä. Rekisteröinti vaaditaan.
  • Googlen syvä oppiminen on Googlen ilmainen syväoppimiskurssi, jota isännöi Udacity.com. Kuuden tunnin työharjoittelu viikossa kestää noin kolme kuukautta. Se ei selvästikään ole absoluuttisille aloittelijoille, mutta sen tarkoituksena on auttaa vakiintuneita insinöörejä ja tietotekijöitä tarttumaan syvälliseen oppimiseen sekä Googlen TensorFlow-tekniikkaan. Rekisteröinti vaaditaan.

Voit myös kokeilla joitain julkisesti saatavilla olevia suuria tietojoukkoja ja tarkistaa, toimivatko teoriat käytännössä:

  • Yhdysvaltain hallituksen tiedot
  • San Francisco City Data
  • Reddit-tietoaineistot

Koneoppimiskirjat

Koneoppimiskirjat ovat yleensä melko suosittuja, ja löydät niistä paljon painettuina. Jotkut ovat erittäin hyviä, mutta suosittelemme, että käydään ensin läpi verkkoresurssit ja etsitään kiinnostunut algoritmi tai menetelmä..

Jos pidät silti rapeaa paperin ryppyä, tässä on muutama koneoppimiskirja, jotka sinun kannattaa tarkistaa:

  • Koneoppiminen: todennäköisyyden näkökulma (2012), kirjoittanut Kevin P Murphy, tarjoaa kattavan ja itsenäisen johdannon koneoppimisen alalle, joka perustuu yhtenäiseen, todennäköisyyspohjaiseen lähestymistapaan. Kattavuus yhdistää leveyden ja syvyyden tarjoamalla tarvittavaa taustamateriaalia sellaisista aiheista kuin todennäköisyys, optimointi ja lineaarinen algebra sekä keskustelu alan viimeaikaisesta kehityksestä.
  • Kuvioiden tunnistus ja koneoppiminen (2007), kirjoittanut Christopher M Bishop, tarjoaa likimääräiset päättelyalgoritmit, jotka sallivat nopeat likimääräiset vastaukset tilanteissa, joissa tarkkoja vastauksia ei voida toteuttaa. Aikaisempaa tietämystä mallinnuksesta tai koneoppimiskonsepteista ei oleteta.
  • Kaikki tilastot: Larry Wassermanin tiivis kurssi tilastollisista päätelmistä (2004) kattaa kaikki tilastolliset aiheet, joita tarvitset ML-käsitteiden ymmärtämiseen. Itse asiassa kirja itsessään on melko hyvä johdanto moniin tyypillisiin ML-lähestymistapoihin, kuten regressio ja luokittelu.
  • Hastien, Tibshiranin ja Friedmanin tilastollisen oppimisen elementit: tiedon louhinta, päätelmät ja ennustaminen (2016) on arvokas lähde tilastoitsijoille ja kaikille, jotka ovat kiinnostuneita tiedon louhinnasta tieteessä tai teollisuudessa. Kirjan kattavuus on laaja, ohjatusta oppimisesta (ennustaminen) valvomattomaan oppimiseen.

johtopäätös

Koneoppiminen ei ole enää teoreettista harjoitusta, eikä se ole myös yliopistolaboratorioille varattu tietotekniikan eksoottinen ala. Se alkaa kypsyä, ja reaalimaailman sovelluksia koneoppimiseen kasvaa jatkuvasti.

Vaikka tämä kuulostaa rohkaisevalta, on huomattava, että koneoppiminen on yleensä rajoitettu tiettyihin markkinarakoihin ja se on kaikkea muuta kuin yleistä pelkästään liiketoiminnan näkökulmasta. Toisin sanoen, muualla on enemmän rahaa ansaitsemiseen, ja kehittäjät keskittyvät yleensä taitoihin, joita ne voivat ansaita rahaksi suhteellisen helposti.

Koska teollisuus omaksuu koneoppimisen, kehittäjien on kuitenkin pidettävä ajan tasalla. Tämä ei tarkoita, että heidän on tultava asiantuntijoiksi kehitettäessä uusia lähestymistapoja koneoppimiseen, vaan pikemminkin, että heitä voidaan kehottaa ottamaan kolmannen osapuolen koneoppimistekniikka tuotteisiinsa ja palveluihinsa..

Lisää lukemista ja resursseja

Meillä on enemmän koodaukseen ja kehittämiseen liittyviä oppaita, oppaita ja infografioita:

  • Prolog Resurssit: tämä kieli on kehitetty erityisesti prosessoimaan kieltä.
  • Lisp: yksi ensimmäisistä korkean tason kielistä, se on ollut erittäin tärkeä AI-ohjelmoinnissa. Katso artikkeleitamme Lisp-muunnelmista: AutoLISP, Clojure, Common Lisp, Emacs Lisp ja Scheme.
  • Kuinka välttää rakastumista Chatbotiin: näyttämättömästä otsikosta huolimatta tämä infografia tarjoaa loistavan historian puhuvista tietokoneista.

Supertietokoneet ovat muotoilemassa ihmiskunnan tulevaisuutta

Haluatko tietää missä AI todella lähtee? Tutustu infografisiin supertietokoneisiimme, jotka muotoilevat ihmiskunnan tulevaisuutta

Supertietokoneet ovat muotoilemassa ihmiskunnan tulevaisuutta
Supertietokoneet ovat muotoilemassa ihmiskunnan tulevaisuutta

Jeffrey Wilson Administrator
Sorry! The Author has not filled his profile.
follow me
    Like this post? Please share to your friends:
    Adblock
    detector
    map