Нет ложных аргументов в пользу того, как область машинного обучения изменила мир сегодня. Почти все области работы теперь начали использовать преимущества внедрения машинного обучения в свою повседневную жизнь. Идея интеллектуальной машины возникла в конце 1950-х гг. С тех пор появилось много мощных моделей, объясняющих различные варианты использования и рабочий процесс модели самообучения. Но всплеск потенциальных разработок в этой области начался в начале 2000-х годов, когда множество различных организаций и частных лиц представили миру реальный потенциал такой технологии. Будь то самоуправляемые транспортные средства, интеллектуальные помощники или медицинская диагностика, машинное обучение действительно дает надежду на лучшее будущее. Я не могу спорить о масштабах возможностей, которые были выдержаны против фольклора, будучи вовлеченным в эту область уже довольно давно. О чем нам следует спорить, так это о том, сколько еще нюансов можно найти в той же сфере. Существует глубокое обучение, которое в целом является кульминацией передовых методов машинного обучения и необходимости заставить машины находить лучшие модели без значительной поддержки со стороны человека. Затем существует обучение с подкреплением, при котором машины вознаграждаются каждый раз, когда они делают правильные прогнозы и, таким образом, в процессе обучения гораздо лучшие модели машинного обучения без необходимости какой-либо целевой функции.
Не так давно к этому было добавлено в форме трансферного обучения, которое делает упор на использование уже полученных знаний в одной проблеме и применение этой информации к другой, но связанной проблеме. Есть много других прекрасных реальных приложений машинного обучения, которые демонстрируют его важность в нашей повседневной жизни.
«Что бы вы сказали, если бы кто-то спросил вас о влиянии ИИ на вашу жизнь?»
«Как бы вы представили свою жизнь, если бы ИИ не помогал вам на каждом странном этапе вашей жизни?»
Здесь я должен дать вам краткий «закулисный» взгляд на то, как базовые модели машинного обучения могут работать с гораздо большей точностью, чем люди. Самая базовая модель машинного обучения, которая заставит вас думать в правильном направлении, — это простая «модель логистической регрессии». Что, на мой взгляд, объединяет большинство хороших специалистов по машинному обучению, так это хорошее знание фундаментальной математики, что оказывается важным, если вы хотите иметь полное представление о том, почему ваша модель работает так, как она работает, и каковы будут ваши результаты. следующий шаг потенциально может измениться в том, как работает ваша модель.
«Линейная алгебра» и «исчисление с несколькими переменными» — это основные элементы, когда дело доходит до машинного обучения. Будет несколько других вещей, которые вы можете освоить в процессе выполнения небольших проектов или немного поработать с существующими моделями машинного обучения. Так что, если вы думаете о том, чтобы погрузиться в мир машинного обучения, вы можете попробовать основы.
Итак, когда я говорю о модели машинного обучения, что я имею в виду под словом «модель»? По своей сути модель можно описать как «черный ящик», в который вы вносите некоторую информацию о своей проблеме, и он выдает ответ, насколько точно он смог решить вашу проблему. В процессе именно вы выбрали то, что уже будет находиться внутри черного ящика. Модель логистической регрессии, модель линейной регрессии или модель нейронной сети — эти названия просто описывают содержимое, которое уже находилось внутри черного ящика.
Позвольте мне продолжить и рассказать вам кое-что о логистической регрессии. Итак, всякий раз, когда я говорю о регрессии, я хочу, чтобы вы подумали о том, чтобы взять небольшую часть информации, которая у вас уже есть, и бросить ее в черный ящик «логистической регрессии». Таким образом, это даст вам оценку того, насколько хорошо работает ваша модель. Термин «логистика» говорит вам о рабочем процессе внутри этого черного ящика. В статистике есть математическая функция, называемая «сигмоид», которая выводит значение от 0 до 1 для каждого входа. Этот вывод можно сопоставить со значением вероятности, которое формирует числовую оценку производительности вашей модели машинного обучения. Вот как выглядит сигмовидная функция:
«Почему меня должна волновать вероятность? Каково значение этой ценности?»
Это значение используется для расчета метрики производительности для вашей модели в тех случаях, когда у вас уже есть правильные ответы на несколько уже возникших проблем. Это называется «обучение с учителем», поскольку вы смогли проанализировать свою модель под наблюдением людей, которые уже знали некоторые ответы. Существует также нечто, известное как «обучение без учителя», при котором у вас нет ответов ни на один из ранее заданных вопросов. В этом случае показатель эффективности изменится.
Это то, что я смог скомпилировать в коротком стихе, но есть гораздо больше, что нужно знать, чтобы работать над реальными проблемами машинного обучения, которые действительно оказывают значительное влияние на жизнь других людей. Несмотря на то, что в области машинного обучения создано много бредового пузыря, и множество рабочих мест создано как следствие возрождения этой области, в конце концов, все сводится к тому, насколько креативным вы хотите быть и насколько хочешь поэкспериментировать. Потому что это то, что сформирует невероятные подвиги в этой области.
