Мир еще впереди, и мир в настоящее время отдает предпочтение машинам, которые учатся сами по себе, как это делают люди. Этого мира еще нет, где машина может учиться исключительно сама, но мы движемся к той эпохе. Это та отрасль жизни, а не информатика или статистика (некоторые говорят), в которой машины имеют возможность учиться у окружающей среды. Эта среда может быть реальной, в которой мы живем, или той средой, которая окружает данные, которыми мы должны снабжать эти машины. Таким образом, машинное обучение будет играть важную роль в нашей жизни.

Я сам здесь, чтобы научиться тому, чему я учу вас. Это кажется расплывчатым, но это правда. Я также нахожусь в процессе изучения новых вещей день за днем, неделя за неделей и месяц за месяцем. В этой области происходят потрясающие вещи, которые стоит изучить и распространить.

Итак, давайте начнем с понимания основных вещей, которые должен знать каждый, прежде чем углубляться в машинное обучение.

Основной вопрос, который задают все:

Что такое машинное обучение?

Все спрашивают.

На это наша доверенная Википедия говорит:

«Машинное обучение (ML) — это изучение компьютерных алгоритмов, которые автоматически совершенствуются благодаря опыту и использованию данных»

Итак, что это значит — это просто означает, давая ребенку знания об окружающей среде [все в то же время, ребенок-супермен], ребенок учится всем вещам, а затем совершенствуется по мере своего роста. Не идеальная аналогия, но она будет работать.

Таким образом, вся цель машинного обучения состоит в том, чтобы заставить их, то есть машины, выполнять задачи, которые явно не запрограммированы в них.

Теперь мы передали данные машинам, что они делают с данными?

Простой ответ на этот вопрос прост, как он есть. Он может делать прогнозы, принимать решения, генерировать новые вещи, как это делают люди, но, конечно, по-другому.

Обычно есть три этапа, когда машины обучаются и делают невероятные вещи, которые в них не запрограммированы. 1) Обучение 2) Тестирование 3) Развертывание

  • Обучение. В первую очередь необходимо обучить машину. Как мы это делаем? Вопрос на миллион долларов? [шучу, не миллион долларов, но когда-то было.] Все начинается с данных. Для обучения машин важнее всего данные. Итак, на этапе обучения мы передаем эти данные этим машинам, они читают над ними какие-то мантры и изучают отношения в данных.
  • Тестирование — затем тестирование. Это все равно, что убедиться, что сотрудник после испытательного срока [периода обучения] готов к работе в реальном мире. Приложения машинного обучения имеют широкий спектр применений: от прогнозов до самых важных решений, таких как здоровье и т. д. Поэтому они должны быть очень совершенными в том, чему их обучают. На этом этапе мы убеждаемся, что они готовы к реальному миру, заставляя их сдавать экзамен, как и должны студенты. Если проходят, то идут еще, переобучаются с некоторыми доработками.
  • Развертывание. На этом этапе их отпускают на свободу, чтобы делать прогнозы, принимать решения и многое другое.
  • Можно добавить еще один шаг, то есть по мере того, как машины работают в дикой природе, иногда их производительность снижается. В это время он снова переобучается с новыми данными, затем тестируется, а затем снова развертывается.

Успех в машинном обучении?

Оглавление

Эта область добилась огромных успехов со дня своего рождения. В середине он заболел [аналогия, то есть его размах почти исчез], но затем снова поднялся до высот зверей.

Первые успехи были хоть и небольшими, но очень важными. Некоторые из них можно обозначить как:

  • Обнаружение аномалий — обнаружение аномалий в сети, обнаружение атак и т. д.
  • Кластеризация на рынках — разделение аудитории рынка на отдельные группы, а затем таргетинг на эти группы на основе их отдельных интересов.
  • Обнаружение мошенничества — Обнаружение мошенничества, например, на банковских веб-сайтах, обнаружение мошенничества с кредитными картами.
  • Фильтрация спама — обнаружение спама в таких сообщениях, как электронная почта, SMS и т. д.

Еще немного начала художественных достижений.

  • Классификация изображений — классификация между двумя или более изображениями. Одним из наиболее распространенных примеров является классификация изображений как изображение кошки или изображения собаки.
  • Генерация текста
  • Языковой перевод — перевод с одного языка на другой без вмешательства человека.

Как начать машинное обучение?

  • Предпосылки
  • Вы должны иметь практические знания Python. Есть и другие языки, которые мы можем использовать в машинном обучении, но Python делает это простым и легким, и существует большое сообщество, которое очень радо вам помочь.
  • Основы машинного обучения, то есть теория, о которой я говорил выше, и еще несколько концепций, о которых я буду говорить в будущем.
  • Затем перейдите к следующему разделу, то есть книгам.
  • Книги, которые вы должны прочитать.
  • Для изучения Python я бы посоветовал посмотреть один или два курса на YouTube или Udemy. Этого достаточно, чтобы вы начали. Не попадите в обучающий ад.
  • Если вам нужна книга по Python, я предлагаю Al Sweigart, Автоматизация скучных вещей с помощью python. Это лучшая книга, которая поможет вам начать работу с Python. Это дает вам все аспекты языка, чтобы начать работу. https://amzn.to/3szYcyY
  • Тогда, если вы хотите выйти за рамки основ, прочтите его еще одну книгу под названием Beyond the basic stuff with python. https://amzn.to/3v5mlPB
  • Тогда вам следует выбрать одну книгу, которая удовлетворит ваши потребности, я предлагаю выбрать книги, которые показывают практическое обучение, т. Е. Учат на примерах, а не только на теории.
  • Некоторые книги, которые я бы порекомендовал:
  • Практическое машинное обучение с помощью концепций, инструментов и методов построения интеллектуальных систем Scikit-Learn, Keras и TensorFlow от Орельена Жерона — начните с этой книги и выполните все упражнения в книге. Нет необходимости делать их все самостоятельно. Просто напишите их и попытайтесь понять, что они делают и как они делают. Но для основ вы можете прочитать первую часть этой книги. https://amzn.to/3n4f8MO

Как часто вы должны заниматься?

  • По-разному:
  • Быть не машинным обучением. Это зависит от того, если вы собираетесь работать полный рабочий день, вам следует практиковать алгоритмы по 2–3 часа в день и улучшать свои знания об этих алгоритмах.
  • Если вы работаете неполный рабочий день и пытаетесь освоить новые навыки, то вам достаточно от 1 до 1,5 часов в день.
  • Они не жестко закодированы. В конце концов, именно вы должны решать, как что-то делать.

Куда пойти после основ?

Есть много путей, которые вы можете выбрать здесь. Вы можете освоить один из традиционных типов машинного обучения или сделать то, что является Prefeble, то есть перейти к глубокому обучению. Но перед этим хорошо разберитесь в основах машинного обучения и некоторых библиотеках, которые используются в традиционном машинном обучении.

Заключительные слова.

Наконец, я бы посоветовал вам действовать и начать делать то, что вы намереваетесь сделать. Не останавливайтесь сейчас, встаньте, откройте свою систему и начните учиться.

Поделиться с друзьями