Πώς να μάθετε τη μηχανική μάθηση
— Ποιο είναι το υπόβαθρό σας, τι κάνατε πριν τη μηχανική μάθηση; Πως
— Διαχειρίζομαι την επιχείρηση παροχής υπηρεσιών της Sethiτεχνολογίες. Παρέχουμε στους πελάτες μας λύσεις που βασίζονται στη μηχανική μάθηση και την τεχνητή νοημοσύνη. Τα τελευταία δύο χρόνια, έχουμε συνεργαστεί με μερικές από τις μεγαλύτερες εταιρείες του Fortune 500.
Πάντα με γοήτευαν τα δεδομένα.Αυτό καθόρισε την επιλογή μου - μετά από αυτό άρχισα να αναζητώ γνώσεις, δεξιότητες και εμπειρία στον τομέα της μηχανικής μάθησης μέσω της μάθησης βάσει έργου. Αυτό μου έδωσε την ευκαιρία να γίνω ειδικός στη μηχανική μάθηση στο Εκπαιδευτικό Οικοσύστημα, ένα αποκεντρωμένο οικοσύστημα μάθησης που διδάσκει σε επαγγελματίες και φοιτητές να κατασκευάζουν πραγματικά προϊόντα.
«Εάν τα δεδομένα, ο αυτοματισμός και οι αλγόριθμοι παρουσιάζουν ενδιαφέρον, τότε η μηχανική μάθηση είναι μια κερδοφόρα επιλογή σταδιοδρομίας»
Πώς αρχίζουν οι άνθρωποι να μαθαίνουν μηχανική μάθηση; Δεν είναι αυτός ένας τομέας όπου χρειάζονται θεμελιώδεις γνώσεις και πολλά χρόνια εκπαίδευσης;
— Βασικές γνώσεις στον τομέαΟ προγραμματισμός είναι ένα πρόσθετο πλεονέκτημα, διαφορετικά η καμπύλη εκμάθησης θα είναι πολύ απότομη. Η μηχανική μάθηση είναι επίσης το κύριο συστατικό των πιο ταχέως αναπτυσσόμενων τομέων - Big Data, Predictive Analytics, Data Mining και Computational Statistics.
Εάν απαιτούν δεδομένα, αυτοματισμοί και αλγόριθμοιενδιαφέρον, τότε η μηχανική μάθηση είναι μια κερδοφόρα επιλογή σταδιοδρομίας. Η παρακολούθηση ενός δομημένου προγράμματος ή μαθήματος είναι ένας από τους καλύτερους τρόπους για να μάθετε τη μηχανική μάθηση από την αρχή. Η υψηλή ζήτηση σε αυτόν τον κλάδο έχει οδηγήσει σε εκατοντάδες μαθήματα πρόσωπο με πρόσωπο και διαδικτυακά.
— Τι μπορείτε να συμβουλεύσετε τους προγραμματιστές και τους αναλυτές που θέλουν να αναπτύξουν σε αυτόν τον τομέα;
– Η μηχανική μάθηση έχει τη δυνατότητα να δημιουργήσειεφαρμογές πιο ισχυρές και πιο ανταποκρινόμενες στις ανάγκες των χρηστών. Οι προγραμματιστές που θέλουν να εφαρμόσουν τη μηχανική εκμάθηση σε εφαρμογές πρέπει να γνωρίζουν μερικά βασικά πράγματα που θα τους βοηθήσουν να πετύχουν:
- Όσο περισσότερα δεδομένα έχει ένας αλγόριθμος, τόσο πιο ακριβής γίνεται, επομένως αποφύγετε την υποδειγματοληψία όποτε είναι δυνατόν.
- Η επιλογή της καλύτερης μεθόδου μηχανικής εκμάθησης για ένα πρόβλημα είναι το κλειδί και συχνά καθορίζει την επιτυχία ή την αποτυχία.
- Τα μοντέλα μηχανικής εκμάθησης μπορούν να είναι καλά μόνο όταν τα δεδομένα είναι καλά.
- Η κατανόηση των χαρακτηριστικών δεδομένων και η βελτίωσή τους (δημιουργώντας νέες και αφαιρώντας υπάρχουσες) έχει μεγάλο αντίκτυπο στην προβλεψιμότητα.
- Πού μπορείτε να το μάθετε; Ίσως σε μαθήματα ή σχολεία;
— Ευτυχώς, σήμερα υπάρχουν πολλές πλατφόρμεςδιαδικτυακή μάθηση όπως το Εκπαιδευτικό Οικοσύστημα όπου μπορείτε να μάθετε διαφορετικές έννοιες της μηχανικής μάθησης και της τεχνητής νοημοσύνης. Στο Εκπαιδευτικό Οικοσύστημα, μπορείτε να μάθετε από ειδικούς προγραμματιστές μέσω έργων που περιλαμβάνουν σεμινάρια και πόρους έργων. Για παράδειγμα, δημιούργησα πολλά έργα όπως αυτό:
- Ανάκτηση εικόνας με ομοιότητα χρησιμοποιώντας Tensorflow και Keras
- Μεταφορά νευρωνικού στυλ με χρήση Keras και Tensorflow
- Πώς να κάνετε ανίχνευση προσώπου χρησιμοποιώντας OpenCV Haar Cascades
Ποια επιχείρηση χρειάζεται και ποια δεν χρειάζεται AI
— Πώς «πουλάτε» την τεχνητή νοημοσύνη και τη μηχανική μάθηση σε εταιρείες και πώς βελτιώνουν τη δουλειά τους; Γιατί πιστεύετε ότι οι επιχειρήσεις έχουν γίνει πιο επιστημονικές;
— Οι αλγόριθμοι μηχανικής μάθησης μπορούν επανειλημμέναμαθαίνουν με βάση το παρεχόμενο σύνολο δεδομένων, κατανοούν πρότυπα, συμπεριφορά. Αυτή η διαδικασία είναι επαναληπτική και συνεχώς βελτιώνεται, γεγονός που βοηθά τις εταιρείες να αλλάζουν συνεχώς για να ανταποκρίνονται στις ανάγκες των επιχειρήσεων και των πελατών.
"Οι αλγόριθμοι μηχανικής μάθησης μπορούν να μάθουν επαναληπτικά από ένα δεδομένο σύνολο δεδομένων"
Ποιες εταιρείες θα ταιριάζει και δεν θα ταιριάζει; Ποια προβλήματα μπορούν να λυθούν με τη βοήθειά τους;
— Πάνω απ 'όλα, η μηχανική μάθηση χρειάζεται από τις επιχειρήσεις,που ασχολείται με την ταξινόμηση εικόνων, την ανάλυση κειμένου ή την προγνωστική μοντελοποίηση. Για άλλους τύπους επιχειρήσεων, οι αλγόριθμοι μπορούν να εκπαιδευτούν για να προτείνουν κάτι στον χρήστη, να συλλέγουν δεδομένα, να χρησιμοποιούν βαθιά μάθηση και νευρωνικά δίκτυα. Στον κλάδο των υπηρεσιών, οι αλγόριθμοι μπορούν να εκπαιδευτούν σαν υπεύθυνος γραφείου βοήθειας μέσω επεξεργασίας φυσικής γλώσσας με βάση κοινά παράπονα πελατών.
— Σε αυτόν τον τομέα, σχεδόν κάθε μέρα εμφανίζεται κάτι νέο. Πώς να παρακολουθείτε τι συμβαίνει, σε τι να δώσετε ιδιαίτερη προσοχή;
— Μια πρόσφατη έκθεση Indeed διαπίστωσε ότι ανοίγονται θέσεις εργασίαςΟι μηχανικοί μηχανικής εκμάθησης προηγούνται όλων των άλλων σε μισθό, ζήτηση και ανάπτυξη. Το έγγραφο σημείωσε επίσης ότι η ζήτηση για μηχανικούς μηχανικής εκμάθησης αυξήθηκε κατά 344%.
Αυτή η περιοχή είναι τόσο σημαντική γιατίεπιτρέπει στις επιχειρήσεις να δουν τις τάσεις στη συμπεριφορά των πελατών και τα πρότυπα λειτουργίας των επιχειρήσεων, προωθεί την ανάπτυξη νέων προϊόντων. Πολλές από τις κορυφαίες εταιρείες όπως το Facebook, η Google και η Uber κάνουν τη μηχανική εκμάθηση κεντρικό μέρος των λειτουργιών τους. Η συνεχής επαγγελματική εξέλιξη θα βοηθήσει τους επαγγελματίες να επωφεληθούν από την υψηλή ζήτηση και τη χαμηλή προσφορά σε αυτόν τον κλάδο.
— Η μηχανική μάθηση χρησιμοποιείται συχνά στην ανάλυση μεγάλων δεδομένων. Ποια πρωτοποριακά προϊόντα θα εμφανιστούν εδώ;
Τα μεγάλα δεδομένα έχουν γίνει σημαντικά όπως πολλάοργανισμοί, δημόσιοι και ιδιωτικοί, συλλέγουν τεράστιες ποσότητες πληροφοριών σε συγκεκριμένους τομείς. Η συγχώνευση μηχανικής μάθησης και μεγάλων δεδομένων είναι μια ατέρμονη διαδικασία. Θα δούμε πώς εφαρμόζονται οι αλγόριθμοι μηχανικής μάθησης σε κάθε στοιχείο της εργασίας με μεγάλα δεδομένα, συμπεριλαμβανομένης της τμηματοποίησης, της ανάλυσης δεδομένων και της μοντελοποίησης.
— Ποιες θέσεις ελεύθερης αγοράς συνδέονται με την ανάπτυξη της μηχανικής μάθησης και της τεχνητής νοημοσύνης;
- Η τεχνητή νοημοσύνη είναι μια σημαντική ανακάλυψηπρόσφατη τεχνολογία. Υπάρχουν πολλές εξειδικευμένες περιοχές όπου η τεχνητή νοημοσύνη έχει σημαντικό αντίκτυπο. Υπάρχουν και άλλες εξειδικευμένες εφαρμογές που δεν καλύπτονται από τα μέσα ενημέρωσης, αλλά βρίσκονται σε επιστημονικές δημοσιεύσεις. Τα επόμενα χρόνια, θα λάβουν τη μεγαλύτερη ανάπτυξη, αυτά είναι η εκπαίδευση, οι κατασκευές και ο σχεδιασμός, η ψυχαγωγία και τα αθλητικά αναλυτικά στοιχεία.
— Πώς βλέπετε την ανάπτυξη της μηχανικής μάθησης; Πώς μπορεί να βοηθήσει ανθρώπους, επιχειρήσεις, κράτη;
— Η μηχανική μάθηση βοηθά τις επιχειρήσειςχρησιμοποιήστε προληπτική συντήρηση για να μειώσετε τις βλάβες του εξοπλισμού και να αυξήσετε τα κέρδη. Καθώς αυξάνεται η ζήτηση για μεγάλες και σύνθετες δυνατότητες επεξεργασίας δεδομένων, η μηχανική εκμάθηση θα βοηθήσει τις επιχειρήσεις να χρησιμοποιήσουν δεδομένα καταναλωτών για να δημιουργήσουν χρήσιμα προφίλ πελατών, να αυξήσουν τις πωλήσεις και να δημιουργήσουν αφοσίωση στην επωνυμία.
Η μηχανική μάθηση μόλις αρχίζει να αναπτύσσεται. Όλα τα πιο ενδιαφέροντα πράγματα είναι μπροστά
Ποιες είναι οι μεγαλύτερες παρανοήσεις σχετικά με τα μεγάλα δεδομένα και τη μηχανική μάθηση;
- Η μεγαλύτερη παρανόηση είναιότι τα μοντέλα μηχανικής μάθησης μπορούν να λύσουν όλα τα προβλήματα αυτού του κόσμου. Ένα από τα πιο διάσημα αποφθέγματα για τη μηχανική μάθηση προέρχεται από τον Dave Waters: «Ένα μωρό μαθαίνει να μπουσουλάει, να περπατά και μετά να τρέχει. Στον τομέα της μηχανικής μάθησης, βρισκόμαστε στη φάση ανίχνευσης».
Στη διαδικασία της μηχανικής μάθησης θα υπάρχει πάνταεμπλεκόμενο άτομο. Αλλά υπάρχει μια επιφύλαξη εδώ. Με βελτιωμένους αλγόριθμους, θα είμαστε σε θέση να εξαλείψουμε εντελώς την ανθρώπινη συμμετοχή μετά την εκπαίδευση ενός συγκεκριμένου μοντέλου μηχανικής εκμάθησης.
- Δεν συμβαδίζουν όλοι με τις ανακαλύψεις σε αυτόν τον τομέα - σε τι πρέπει να προσέξουμε;
— Τελευταίες εξελίξεις στον τομέα των μηχανώνΗ μάθηση σήμερα είναι η Αυτοματοποιημένη Μηχανική Εκμάθηση (AutoML), η Διαχείριση λειτουργίας Μηχανικής Μάθησης (MLOps), η Μηχανική Εκμάθηση χωρίς Κώδικα και η Ανάπτυξη Μηχανικής Εκμάθησης Χαμηλού Κώδικα. Πρόκειται για ιδέες που θα οδηγήσουν σε πολλά υποσχόμενα έργα τα επόμενα χρόνια.
— Ποια είναι τα βραχυπρόθεσμα και μακροπρόθεσμα προβλήματα της ML; Τι γίνεται με την προκατάληψη προγραμματιστών, τις κακές προθέσεις και τα ηθικά πρότυπα που δεν μπορούν να καταγραφούν και να επισημοποιηθούν;
— Οι μεγαλύτερες προκλήσεις στη μηχανική μάθηση —Είναι η έλλειψη ειδικευμένων πόρων, η έλλειψη ποιοτικών δεδομένων και η κατανόηση του ποιες διαδικασίες πρέπει να αυτοματοποιηθούν. Μέχρι να έχουμε καθαρά και αξιόπιστα δεδομένα, οι επαγγελματίες μηχανικής μάθησης θα συνεχίσουν να αντιμετωπίζουν προκλήσεις στην ανάπτυξη αλγορίθμων και συστημάτων που ανταποκρίνονται ακριβώς στις ανάγκες για τις οποίες δημιουργήθηκαν.
- Πότε και σε ποιον τομέα θα εμφανιστεί η τεχνητή νοημοσύνη με τον πιο ενδιαφέροντα τρόπο;
— Η τεχνητή νοημοσύνη διαμορφώνει το μέλλονανθρωπότητα σε όλους σχεδόν τους τομείς. Είναι ήδη ένας σημαντικός μοχλός αναδυόμενων τεχνολογιών, όπως τα μεγάλα δεδομένα, η ρομποτική και το IoT, και θα συνεχίσει να είναι καινοτόμος τεχνολογίας για το άμεσο μέλλον. Σήμερα, είναι δύσκολο να επιλέξετε έναν συγκεκριμένο τομέα, δεδομένου ότι όλες οι βιομηχανίες σήμερα λειτουργούν με μεγάλες ποσότητες δεδομένων και έχουν διαφορετικές ανάγκες αυτοματισμού.
Διαβάστε περισσότερα:
Οι αρχαιολόγοι επιβεβαίωσαν επίσημα τους θρύλους από τη Βίβλο
Βρέθηκε ο τάφος της «ιέρειας» της Αφροδίτης: οι επιστήμονες έδειξαν τι βρήκαν εκεί
Οι επιστήμονες είδαν τι υπάρχει στην επικράτεια της πρωτεύουσας των Μάγια. Το εύρημα τους εξέπληξε.