Kuinka oppia koneoppimista
— Mikä on taustasi, mitä teit ennen koneoppimista? Miten
– Hoidan Sethin palveluliiketoimintaateknologioita. Tarjoamme asiakkaillemme koneoppimiseen ja tekoälyyn perustuvia ratkaisuja. Viimeisten kahden vuoden aikana olemme työskennelleet joidenkin Fortune 500:n suurimpien yritysten kanssa.
Olen aina kiehtonut dataa.Tämä ratkaisi valintani - sen jälkeen aloin hakea tietoa, taitoja ja kokemusta koneoppimisen alalta projektioppimisen kautta. Tämä antoi minulle mahdollisuuden tulla koneoppimisen asiantuntijaksi koulutusekosysteemissä, hajautetussa oppimisekosysteemissä, joka opettaa ammattilaisia ja korkeakouluopiskelijoita rakentamaan oikeita tuotteita.
"Jos data, automaatio ja algoritmit kiinnostavat, niin koneoppiminen on kannattava uravalinta"
Miten ihmiset alkavat oppia koneoppimista? Eikö tämä ole alue, jolla tarvitaan perustavanlaatuista tietoa ja monen vuoden koulutusta?
— Alan perustiedotohjelmointi on lisäetu, muuten oppimiskäyrä on liian jyrkkä. Koneoppiminen on myös pääkomponentti nopeimmin kehittyvillä alueilla - Big Data, Predictive Analytics, Data Mining ja Computational Statistics.
Jos data, automaatio ja algoritmit kutsuvatkoneoppiminen on kannattava uravalinta. Jäsennellyn ohjelman tai kurssin suorittaminen on yksi parhaista tavoista oppia koneoppimista tyhjästä. Tämän alan suuri kysyntä on johtanut satoihin kasvokkain ja verkkokursseihin.
— Mitä voit neuvoa kehittäjille ja analyytikoille, jotka haluavat kehittyä tällä alueella?
– Koneoppimisessa on potentiaaliasovellukset ovat tehokkaampia ja vastaavat paremmin käyttäjien tarpeisiin. Kehittäjien, jotka haluavat toteuttaa koneoppimisen sovelluksiin, on tiedettävä muutama keskeinen seikka, jotka auttavat heitä menestymään:
- Mitä enemmän dataa algoritmilla on, sitä tarkempi se on, joten vältä alinäytteenottoa aina kun mahdollista.
- Parhaan koneoppimismenetelmän valitseminen ongelmalle on avainasemassa ja usein ratkaisee onnistumisen tai epäonnistumisen.
- Koneoppimismallit voivat olla hyviä vain, kun data on hyvää.
- Tietoominaisuuksien ymmärtäminen ja niiden parantaminen (luomalla uusia ja poistamalla olemassa olevia) vaikuttaa suuresti ennustettavuuteen.
- Missä voit oppia sen? Ehkä kursseilla tai kouluissa?
– Onneksi nykyään on monia alustojaverkko-oppiminen, kuten Education Ecosystem, jossa voit oppia erilaisia käsitteitä koneoppimisesta ja tekoälystä. Koulutusekosysteemissä voit oppia asiantuntevilta kehittäjiltä projekteissa, jotka sisältävät opetusohjelmia ja projektiresursseja. Olen esimerkiksi luonut useita projekteja, kuten tämä:
- Kuvanhaku samankaltaisuuden perusteella käyttäen Tensorflowa ja Kerasia
- Neuraalityylin siirto Kerasin ja Tensorflowin avulla
- Kuinka tehdä kasvojentunnistus OpenCV Haar Cascadesilla
Mikä yritys tarvitsee tekoälyä ja mikä ei
— Kuinka "myydä" tekoälyä ja koneoppimista yrityksille ja miten ne parantavat työtään? Miksi luulet, että liiketoiminnasta on tullut tieteellisempää?
— Koneoppimisalgoritmit voivat toistuvastioppia toimitetun tietojoukon perusteella, ymmärtää malleja ja käyttäytymistä. Tämä prosessi on iteratiivinen ja jatkuvasti kehittyvä, mikä auttaa yrityksiä jatkuvasti muuttumaan vastaamaan liiketoiminnan ja asiakkaiden tarpeita.
"Koneoppimisalgoritmit voivat oppia iteratiivisesti tietystä datajoukosta"
Mitkä yritykset sopivat ja eivät? Mitä ongelmia heidän avullaan voidaan ratkaista?
– Koneoppimista tarvitaan ennen kaikkea liiketoiminnalle,joka käsittelee kuvien luokittelua, tekstin jäsentämistä tai ennakoivaa mallintamista. Muissa liiketoiminnoissa algoritmeja voidaan kouluttaa suosittelemaan jotain käyttäjälle, keräämään dataa, käyttämään syväoppimista ja hermoverkkoja. Palvelualalla algoritmeja voidaan kouluttaa help desk manageriksi luonnollisen kielen prosessoinnilla yleisten asiakasvalitusten perusteella.
– Tällä alueella ilmaantuu jotain uutta lähes joka päivä. Kuinka seurata, mitä tapahtuu, mihin kiinnittää erityistä huomiota?
— Tuoreessa Indeed-raportissa todettiin, että avoimia työpaikkojaKoneoppimisen insinöörit ovat muita edellä palkoissa, kysynnässä ja kasvussa. Asiakirjassa todettiin myös, että koneoppimisinsinöörien kysyntä kasvoi 344 %.
Tämä alue on niin tärkeä, koska seantaa yrityksille mahdollisuuden nähdä trendejä asiakkaiden käyttäytymisessä ja liiketoiminnan toimintatavoissa, edistää uusien tuotteiden kehitystä. Monet johtavista yrityksistä, kuten Facebook, Google ja Uber, tekevät koneoppimisesta keskeisen osan toimintaansa. Jatkuva ammatillinen kehitys auttaa ammattilaisia hyödyntämään tämän alan suurta kysyntää ja vähäistä tarjontaa.
— Koneoppimista käytetään usein big data -analyysissä. Mitä läpimurtotuotteita tänne ilmestyy?
Big datasta on tullut yhtä tärkeää kuin monetorganisaatiot, sekä julkiset että yksityiset, keräävät valtavia määriä tietoa tietyiltä alueilta. Koneoppimisen ja big datan yhdistäminen on loputon prosessi. Näemme, kuinka koneoppimisalgoritmeja sovelletaan kaikkiin big datan työskentelyn elementteihin, mukaan lukien segmentointi, data-analytiikka ja mallinnus.
— Mitä vapaiden markkinoiden markkinarakoja koneoppimisen ja tekoälyn kehittämiseen liittyy?
– Tekoäly on läpimurtouusinta tekniikkaa. Tekoälyllä on monia markkinarakoja, joilla on merkittävä vaikutus. On muitakin niche-sovelluksia, joita ei käsitellä mediassa, mutta niitä on tieteellisissä julkaisuissa. Lähivuosina he saavat eniten kehitystä, näitä ovat koulutus, rakentaminen ja suunnittelu, viihde- ja urheiluanalytiikka.
– Millaisena näet koneoppimisen kehittymisen? Miten se voi auttaa ihmisiä, yrityksiä, valtioita?
– Koneoppiminen auttaa yrityksiäkäytä ennaltaehkäisevää huoltoa vähentääksesi laitevikoja ja lisätäksesi voittoja. Kun suurten ja monimutkaisten tietojenkäsittelyominaisuuksien kysyntä kasvaa, koneoppiminen auttaa yrityksiä käyttämään kuluttajatietoja hyödyllisten asiakasprofiilien rakentamiseen, myynnin kasvattamiseen ja brändiuskollisuuden kasvattamiseen.
Koneoppiminen on vasta alkamassa kehittyä. Kaikki mielenkiintoisimmat asiat ovat edessä
Mitkä ovat suurimmat väärinkäsitykset big datasta ja koneoppimisesta?
- Suurin väärinkäsitys onettä koneoppimismallit voivat ratkaista kaikki tämän maailman ongelmat. Yksi tunnetuimmista lainauksista koneoppimisesta tulee Dave Watersilta: ”Vauva oppii ryömimään, kävelemään ja sitten juoksemaan. Koneoppimisen alalla olemme indeksointivaiheessa.”
Koneoppimisprosessissa tulee aina olemaanmukana oleva henkilö. Mutta tässä on varoitus. Parannettujen algoritmien avulla pystymme poistamaan ihmisten osallistumisen kokonaan tietyn koneoppimismallin harjoittamisen jälkeen.
- Kaikki eivät pysy tämän alan läpimurtojen perässä - mihin meidän tulisi kiinnittää huomiota?
— Viimeisin kehitys konealallaTämän päivän oppiminen on automatisoitua koneoppimista (AutoML), koneoppimisen toiminnanhallintaa (MLOps), kooditonta koneoppimista ja matalakoodin koneoppimisen kehitystä. Nämä ovat konsepteja, jotka johtavat erittäin lupaaviin projekteihin tulevina vuosina.
— Mitkä ovat ML:n lyhyen ja pitkän aikavälin ongelmat? Entä kehittäjien ennakkoluulo, huonot aikeet ja eettiset standardit, joita ei voi kirjoittaa ylös ja virallistaa?
— Koneoppimisen suurimmat haasteet —se on pätevien resurssien puute, laadukkaan tiedon puute ja ymmärrys siitä, mitkä prosessit on automatisoitava. Ennen kuin meillä on puhdasta ja luotettavaa dataa, koneoppimisen ammattilaiset kohtaavat edelleen haasteita kehittääkseen algoritmeja ja järjestelmiä, jotka vastaavat juuri niitä tarpeita, joita varten ne on luotu.
- Milloin ja millä alueella tekoäly tulee esiin mielenkiintoisimmin?
– Tekoäly muokkaa tulevaisuuttaihmiskuntaa lähes kaikilla aloilla. Se on jo nyt tärkeä nousevien teknologioiden, kuten big datan, robotiikan ja IoT:n, liikkeellepaneva tekijä, ja se on jatkossakin teknologiainnovaattori lähitulevaisuudessa. Nykyään on vaikea valita tiettyä aluetta, koska kaikilla toimialoilla on nykyään suuria tietomääriä ja niillä on erilaiset automaatiotarpeet.
Lue lisää:
Arkeologit ovat virallisesti vahvistaneet Raamatun legendat
Afroditen "papittaren" hauta löydettiin: tutkijat osoittivat, mitä he löysivät sieltä
Tutkijat ovat nähneet, mitä mayojen pääkaupungin alueella on. Löytö yllätti heidät.