Sådan lærer du maskinlæring
— Hvad er din baggrund, hvad lavede du før maskinlæring?Hvordan
— Jeg driver Sethis servicevirksomhedteknologier. Vi giver vores kunder løsninger baseret på maskinlæring og kunstig intelligens. I løbet af de sidste to år har vi arbejdet med nogle af de største Fortune 500-virksomheder.
Jeg har altid været fascineret af data.Dette afgjorde mit valg – herefter begyndte jeg at lede efter viden, færdigheder og erfaring inden for maskinlæring gennem projektbaseret læring. Dette gav mig muligheden for at blive maskinlæringsekspert i Education Ecosystem, et decentraliseret læringsøkosystem, der lærer fagfolk og universitetsstuderende at bygge rigtige produkter.
"Hvis data, automatisering og algoritmer er af interesse, så er maskinlæring et rentabelt karrierevalg"
Hvordan begynder folk at lære maskinlæring? Er det ikke et område, hvor der er brug for grundlæggende viden og mange års uddannelse?
— Grundlæggende viden på områdetprogrammering er en ekstra fordel, ellers bliver indlæringskurven for stejl. Maskinlæring er også hovedkomponenten i de hurtigst udviklende områder - Big Data, Predictive Analytics, Data Mining og Computational Statistics.
Hvis data, automatisering og algoritmer kalderinteresse, så er maskinlæring et rentabelt karrierevalg. At tage et struktureret program eller kursus er en af de bedste måder at lære maskinlæring fra bunden på. Den høje efterspørgsel i denne branche har resulteret i hundredvis af ansigt-til-ansigt og online kurser.
— Hvad kan du rådgive udviklere og analytikere, der ønsker at udvikle sig på dette område?
– Machine learning har potentialet til at skabeapplikationer mere kraftfulde og mere lydhøre over for brugernes behov. Udviklere, der ønsker at implementere maskinlæring i applikationer, har brug for at vide et par vigtige ting, der vil hjælpe dem med at få succes:
- Jo flere data en algoritme har, jo mere nøjagtig bliver den, så undgå subsampling, når det er muligt.
- At vælge den bedste maskinlæringsmetode til et problem er nøglen og afgør ofte succes eller fiasko.
- Maskinlæringsmodeller kan kun være gode, når dataene er gode.
- At forstå datafunktioner og forbedre dem (ved at skabe nye og fjerne eksisterende) har stor indflydelse på forudsigeligheden.
- Hvor kan du lære det? Måske på kurser eller skoler?
— Heldigvis er der i dag mange platformeonline læring såsom Education Ecosystem, hvor du kan lære forskellige begreber om maskinlæring og kunstig intelligens. Hos Education Ecosystem kan du lære af ekspertudviklere gennem projekter, der inkluderer tutorials og projektressourcer. For eksempel oprettede jeg flere projekter som dette:
- Billedhentning efter lighed ved hjælp af Tensorflow og Keras
- Overførsel af neural stil ved hjælp af keras og tensorflow
- Sådan udføres ansigtsgenkendelse ved hjælp af OpenCV Haar Cascades
Hvilken virksomhed har brug for, og hvilken har ikke brug for AI
— Hvordan "sælger" man AI og maskinlæring til virksomheder, og hvordan forbedrer de deres arbejde? Hvorfor tror du, at erhvervslivet er blevet mere videnskabeligt?
— Maskinlæringsalgoritmer kan gentagne gangelære baseret på det leverede datasæt, forstå mønstre, adfærd. Denne proces er iterativ og konstant forbedret, hvilket hjælper virksomheder til konstant at ændre sig for at imødekomme virksomhedernes og kundernes behov.
"Maskinlæringsalgoritmer kan lære iterativt fra et givet sæt data"
Hvilke virksomheder vil og vil det ikke passe? Hvilke problemer kan løses med deres hjælp?
— Mest af alt er maskinlæring nødvendig for erhvervslivet,som omhandler billedklassificering, tekstparsing eller prædiktiv modellering. For andre typer forretninger kan algoritmer trænes til at anbefale noget til brugeren, indsamle data, bruge deep learning og neurale netværk. I servicebranchen kan algoritmer trænes som en helpdesk-manager gennem naturlig sprogbehandling baseret på almindelige kundeklager.
— På dette område dukker der næsten hver dag noget nyt op. Hvordan holder man styr på, hvad der sker, hvad skal man være særlig opmærksom på?
— En nylig Indeed-rapport fandt, at jobåbningerMaskinlæringsingeniører er foran alle andre med hensyn til løn, efterspørgsel og vækst. Dokumentet bemærkede også, at efterspørgslen efter maskinlæringsingeniører steg med 344%.
Dette område er så vigtigt, fordi detgiver virksomheder mulighed for at se tendenser i kundeadfærd og forretningsdriftsmønstre, fremmer udviklingen af nye produkter. Mange af de førende virksomheder som Facebook, Google og Uber gør maskinlæring til en central del af deres drift. Kontinuerlig faglig udvikling vil hjælpe fagfolk med at drage fordel af høj efterspørgsel og lavt udbud i denne branche.
— Machine learning bruges ofte i big data-analyse. Hvilke banebrydende produkter vil dukke op her?
Big data er blevet vigtig som mangeorganisationer, både offentlige og private, indsamler enorme mængder information på specifikke områder. Sammensmeltning af machine learning og big data er en uendelig proces. Vi vil se, hvordan maskinlæringsalgoritmer anvendes til ethvert element i arbejdet med big data, herunder segmentering, dataanalyse og modellering.
— Hvilke frie markedsnicher er forbundet med udviklingen af maskinlæring og kunstig intelligens?
- Kunstig intelligens er et gennembrudnyere teknologi. Der er mange nicheområder, hvor AI gør en betydelig indflydelse. Der er andre nicheapplikationer, som ikke er dækket i medierne, men de er i videnskabelige publikationer. I de kommende år vil de modtage den største udvikling, det er uddannelse, byggeri og planlægning, underholdning og sportsanalyse.
— Hvordan ser du på udviklingen af machine learning? Hvordan kan det hjælpe mennesker, virksomheder, stater?
— Maskinlæring hjælper virksomhederиспользовать профилактическое обслуживание для снижения количества поломок оборудования и увеличения прибыли. По мере роста потребности в больших и сложных возможностях обработки данных машинное обучение поможет предприятиям использовать потребительские данные для построения полезных профилей клиентов, увеличения продаж и повышения лояльности к бренду.
Machine learning er lige begyndt at udvikle sig. Alle de mest interessante ting er forude
Hvad er de største misforståelser om big data og machine learning?
- Den største misforståelse erat maskinlæringsmodeller kan løse alle denne verdens problemer. Et af de mest berømte citater om maskinlæring kommer fra Dave Waters: "En baby lærer at kravle, gå og så løbe. Inden for maskinlæring er vi i crawl-fasen.”
I processen med maskinlæring vil der altid væreperson involveret. Men der er en advarsel her. Med forbedrede algoritmer vil vi være i stand til at eliminere menneskelig involvering fuldstændigt efter træning af en specifik maskinlæringsmodel.
- Det er ikke alle, der følger med i gennembrud på området - hvad skal vi være opmærksomme på?
— Seneste udvikling inden for maskinområdetlæring i dag er Automated Machine Learning (AutoML), Machine Learning Operationalization Management (MLOps), No-Code Machine Learning og Low-Code Machine Learning Development. Det er koncepter, der vil føre til meget lovende projekter i de kommende år.
— Hvad er de kort- og langsigtede problemer ved ML? Hvad med udviklerbias, dårlige hensigter og etiske standarder, der ikke kan nedskrives og formaliseres?
— De største udfordringer inden for maskinlæring —det er mangel på kvalificerede ressourcer, mangel på kvalitetsdata og en forståelse af hvilke processer der skal automatiseres. Indtil vi har rene og pålidelige data, vil maskinlæringsprofessionelle fortsat stå over for udfordringer med at udvikle algoritmer og systemer, der opfylder de nøjagtige behov, som de blev skabt til.
- Hvornår og på hvilket område vil kunstig intelligens vise sig på den mest interessante måde?
— Kunstig intelligens former fremtidenmenneskeheden i næsten alle sektorer. Det er allerede en vigtig drivkraft for nye teknologier såsom big data, robotteknologi og IoT, og vil fortsætte med at være en teknologiinnovator i en overskuelig fremtid. I dag er det svært at vælge ét specifikt område, da alle brancher i dag arbejder med store mængder data og har forskellige automatiseringsbehov.
Læs mere:
Arkæologer har officielt bekræftet legenderne fra Bibelen
Afrodites "præstinde"s grav blev fundet: videnskabsmænd viste, hvad de fandt der
Forskere har set, hvad der er på Maya-hovedstadens territorium. Fundet overraskede dem.