Az embereknél okosabb gépek tervezésére tett kísérletek nem újkeletűek.
Az egyik nagyon korai támadás, amelyet az informatika az emberi „intelligenciával” szemben intézett, a sakkjátékon keresztül történt. A sakkot sokan az emberi intellektus és kreativitás végső próbájaként tartják számon (vagy mondanunk kellene?), és az 1960-as és a 70-es években különböző irányzatok léteztek a számítástechnikán belül.
Egyesek úgy vélték, hogy csak idő kérdése, hogy a számítógépek mikor érik el az embereket a sakkozásban, míg mások azt hitték, hogy ez soha nem fog megtörténni.
Tartalomjegyzék
Kaszparov kontra Deep Blue
A gondolatcsata legszenzációsabb eseménye az ember vs. gép ellen az 1996-os sakkmérkőzés volt az akkori világbajnok Garri Kaszparov (és vitathatatlanul a valaha volt legjobb sakkozó) és Mélykékegy szuperszámítógép, amelyet az IBM erre az eseményre tervezett.
Kép forrása: Wikipédia
Hogy röviden leírjuk, Kaszparov az 1996-os meccset meggyőzően (4-2) nyerte meg, de az 1997-es visszavágót sokak közepette elveszítette (4,5-3,5). vita és Kaszparov közvetlen csalás vádja az IBM ellen.
Ettől függetlenül a sakkban és a számítástechnikában egy korszak véget ért. A számítógépek okosabbak voltak minden élő embernél. Az IBM, örülve a bosszúnak, leszerelte a Deep Blue-t, és továbbment.
Ma már egyetlen nagymester sem képes legyőzni bármely szokásos, árucikk hardveren működő sakkmotort.
Mi nem a gépi tanulás?
Mielőtt alaposabban megvizsgálnánk a gépi tanulást, hárítsunk el néhány tévhitet. A gépi tanulás a képzelet semmilyen fokán nem az emberi agy megismétlésére tett kísérlet. Az olyan szenzációhajhász hiedelmek ellenére, mint például Elon Musk, a számítástechnikai kutatók azt állítják, hogy nem keresik ezt a szent gabonát, és semmiképpen sem a közelében.
Egyszerűen fogalmazva, a gépi tanulás a példánkénti tanulási folyamatok számítógépeken történő alkalmazásának gyakorlata. Ez ellentétben áll azzal a hagyományos megközelítéssel, miszerint egy emberi programozóra támaszkodunk, hogy kitalálja az összes lehetséges forgatókönyvet és a hozzájuk tartozó kemény kódolási szabályokat egy rendszerbe.
Őszintén szólva körülbelül ennyi a gépi tanulás: rengeteg tonnányi adatot kell betáplálni a számítógépbe, hogy a példákból tanulhasson (próba → hiba → összehasonlítás → fejlesztés), ahelyett, hogy a forráskódra hagyatkozna.
A gépi tanulás alkalmazásai
Tehát, ha a gépi tanulás nem fekete mágia, és nem fog valami terminátort szülni, akkor mire hasznos?
A gépi tanulás segít azokban az esetekben, amikor a hagyományos programozás tönkremegy, és ezek az esetek általában a két kategória valamelyikébe tartoznak.
Ahogy a neve is sugallja, az osztályozás a dolgok helyes címkézésére vonatkozik, míg a Prediction célja a jövőbeli előrejelzések korrigálása, tekintettel a múltbeli értékek elég nagy adathalmazára.
A gépi tanulás néhány érdekes alkalmazása:
Spam szűrés
Az e-mail spam elterjedt, de a megállítása rémálom lehet. Hogyan határozható meg a spam? Ez konkrét kulcsszavak jelenléte? Vagy talán úgy, ahogy meg van írva? Nehéz programszerűen kimerítő szabályokat kitalálni.
Ezért használjuk a gépi tanulást. Megjelenítjük a rendszernek milliónyi spam üzenetet és nem spam üzenetet, és hagyjuk, hogy ő találja ki a többit. Ez volt a titka a Gmail kiváló spamszűrőinek, amelyek a 2000-es évek elején megrázták a személyes e-maileket!
Ajánlások
Manapság minden nagyobb e-kereskedelmi vállalat hatékony ajánlási rendszerrel rendelkezik. Időnként hihetetlenül pontos a képességük, hogy olyan dolgokat ajánljanak, amelyeket „hasznosnak találhatunk”, annak ellenére, hogy korábban soha nem kattintottunk erre az elemre.
Véletlen egybeesés? Egyáltalán nem!
A gépi tanulás keményen dolgozik itt, terabájtokat zabál fel terabájtok után, és megpróbálja megjósolni ingadozó hangulatunkat és preferenciáinkat.
Chatbotok
Találkoztál már olyan első szintű ügyfélszolgálattal, amely furcsán robotszerűnek tűnt, és mégis képes volt érdekes kis beszélgetéseket folytatni?
Nos, akkor a Machine Learning becsapott!
A beszélgetésekből való tanulás és annak meghatározása, hogy mikor mit mondjunk, a chatbot alkalmazás közelgő és izgalmas területe.
Gyomirtás
A mezőgazdaságban a gépi tanulással hajtott robotokat a gyomok és más nem kívánt növények szelektív permetezésére használják haszonnövények közé.
Ezt egyébként kézzel kellene megtenni, vagy vad pazarlás lenne, mivel a rendszer a terméket is permetezné az ölőfolyadékkal!
Hang Keresés
A számítógépes rendszerekkel való hangalapú interakció már nem sci-fi. Manapság olyan digitális asszisztenseink vannak, mint az Alexa, a Siri és a Google Home, amelyek képesek verbálisan átvenni a parancsokat, és nem zavarnak (hát, majdnem!).
Egyesek azzal érvelhetnek, hogy ez egy olyan találmány, amelyet legjobb elkerülni, mivel lustábbá teszi az emberi fajt, mint valaha, de nem lehet vitatkozni a hatékonysággal.
Orvosi diagnózis
Forradalom küszöbén állunk az orvosi diagnosztikában, mivel a gépi tanuláson alapuló rendszerek kezdenek felülmúlni a tapasztalt orvosokat diagnózis röntgenen keresztül stb.
Kérjük, vegye figyelembe, hogy ez nem azt jelenti, hogy hamarosan nem lesz szükség orvosokra, hanem azt, hogy az orvosi ellátás minősége drámaian javulni fog, miközben a költségek zuhanni fognak (hacsak az üzleti kartellek másként nem rendelkeznek!).
Ez csak egy példa volt arra, hogy mire használják a gépi tanulást. Önvezető autók, stratégiai játékbotok, pólóhajtogató gépek, captcha törés és fekete-fehér fotók színezése történik mostanában.
A gépi tanulás típusai
A gépi tanulási technikáknak két fajtája van.
Felügyelt tanulás, amelyben a rendszert az emberi ítélőképesség irányítja, és a Felügyelet nélküli tanulás, amelyben a rendszer egyedül tanul. Ugyanezt elmondhatjuk úgy is, hogy a felügyelt tanulásban van egy adatkészletünk, amely tartalmazza a bemeneteket és a várt kimenetet is, amelyet a rendszer összehasonlításra és önjavításra használ. A felügyelet nélküli tanulásban azonban nincs meglévő kimenet, amelyhez mérhető lenne, így az eredmények vadul változhatnak.
A felügyelet nélküli gépi tanulás izgalmas és borzasztó alkalmazása?
Ez olyan botok lennének, amelyek társasjátékokat játszanak, ahol a programot megtanítják a játékszabályokra és a nyerési feltételekre, majd a saját eszközeire hagyják. A program ezután milliónyi játékot játszik saját maga ellen, tanul a hibáiból és megerősíti az előnyös döntéseket.
Ha elég nagy teljesítményű számítógépet használ, néhány óra alatt elkészíthet egy világverő MI-t!
A következő képek tömören illusztrálják ezeket az elképzeléseket (forrás: Medium):
Erőforrások a gépi tanulás megkezdéséhez
Szóval, most, hogy már teljesen felizgult a gépi tanulásról, és arról, hogyan segíthet meghódítani a világot, hol kezdje el?
Az alábbiakban felsoroltam néhány fantasztikus internetes forrást, amelyek segítségével folyékonyan tanulhat a gépi tanulásban anélkül, hogy doktori fokozatot szerezne. informatikában! Ha Ön nem a Machine Learning kutatója, akkor a gépi tanulás területét ugyanolyan praktikusnak és élvezetesnek fogja találni, mint általában a programozást.
Tehát ne aggódjon, nem számít, milyen szinten van jelenleg, egy jó gépi tanulási programhoz hasonlóan saját magát is taníthatja, és fejlődhet. 😛
#1. Programozás
A gépi tanulás első feltétele a programozás megtanulása. Ennek az az oka, hogy a gépi tanulási rendszerek különböző programozási nyelvekhez használható könyvtárak formájában jelennek meg.
A Python a leginkább ajánlott, részben azért, mert hihetetlenül kellemes tanulni, részben pedig azért, mert hatalmas könyvtárak és erőforrások ökoszisztémája van.
Az hivatalos A Kezdők útmutatója remek kiindulópont, még akkor is, ha kicsit ismeri a Pythont. Vagy vedd ezt Bootcamp tanfolyam nulláról hőssé válni.
#2. Gondolj a statisztikákra
Ha végzett a Python alapjaival, a második javaslatom az lenne, hogy nézzen át két kiváló könyvet. 100%-ban ingyenesek, és letölthetők PDF formátumban. Gondolj a statisztikákra és Gondolj Bayesre két modern klasszikus, amelyet minden feltörekvő gépi tanulási mérnöknek be kell építenie.
#3. Udemy
Ezen a ponton azt javaslom, hogy vegyen részt néhány tanfolyamon Udemy. Az interaktív, saját tempójú formátum segít belemerülni a kavicsos dolgokba és önbizalmat építeni.
Mielőtt elkezdené, feltétlenül nézze meg a kurzus előnézetét, az értékeléseket (különösen a negatívakat!) és a kurzus általános hangulatát.
A YouTube-on ingyenes oktatóanyagokat is találhatsz. Sentdex Az egyik ilyen csatorna, amit tudok ajánlani, ahol mindig rengeteg szórakozás folyik, de a megközelítése nem kezdőbarát.
#4. Andrew Ng
A tanfolyamot Andrew Ng tartotta Coursera vitathatatlanul a gépi tanulás alapjainak legnépszerűbb tanulási forrása.
Bár az R programozási nyelvet használja, páratlan marad a téma kezelésében és világos magyarázataiban. Ennek a tanfolyamnak köszönhetően Andrew Ng némileg isteni termetet ért el az ML körökben, és az emberek felnéznek rá a végső bölcsességért (nem viccelek!).
Ez a kurzus nem kezdőknek való, de ha már jó az adatok bonyolításában, és nem bánja, hogy közben némi mellékkutatást végez, akkor ez a tanfolyam a legjobb ajánlás.
#5. Udacity
Legyen gépi tanulási mérnök, ha megszerezte ezt a nanofokozatot Udacity.
Körülbelül 3 hónapot vesz igénybe a kurzus befejezése és vége, várhatóan tisztességes elképzelése van a gépi tanulási algoritmusokról, valamint arról, hogyan kell modellezni és üzembe helyezni őket.
Következtetés
Az internetes forrásoknak nincs vége, és az elején könnyen eltévedhet. A legtöbb oktatóanyag és megbeszélés matematikailag kihívást jelent, vagy hiányzik a struktúra, és megtörheti önbizalmát, még mielőtt elkezdené.
Szeretném tehát óva inteni az önpusztítástól: célozzon szerényen, és haladjon minimális lépésekkel. A gépi tanulást nem lehet egy-két napon belül megnyugodni, de hamarosan elkezdi élvezni magát, és ki tudja, talán még valami ijesztőt is létrehozhat!
Érezd jól magad! 🙂