Hvordan lære maskinlæring
— Hva er din bakgrunn, hva gjorde du før maskinlæring? Hvordan
— Jeg driver Sethis servicevirksomhetteknologier. Vi gir våre kunder løsninger basert på maskinlæring og kunstig intelligens. I løpet av de siste to årene har vi jobbet med noen av de største Fortune 500-selskapene.
Jeg har alltid vært fascinert av data.Dette avgjorde valget mitt – etter det begynte jeg å lete etter kunnskap, ferdigheter og erfaring innen maskinlæring gjennom prosjektbasert læring. Dette ga meg muligheten til å bli maskinlæringsekspert i Education Ecosystem, et desentralisert læringsøkosystem som lærer fagfolk og studenter å bygge ekte produkter.
"Hvis data, automatisering og algoritmer er av interesse, er maskinlæring et lønnsomt karrierevalg"
Hvordan begynner folk å lære maskinlæring? Er ikke dette et område hvor det trengs grunnleggende kunnskap og mange års utdanning?
— Grunnleggende kunnskap på områdetprogrammering er en ekstra fordel, ellers blir læringskurven for bratt. Maskinlæring er også hovedkomponenten i de raskest utviklende områdene – Big Data, Predictive Analytics, Data Mining og Computational Statistics.
Hvis data, automatisering og algoritmer kallerinteresse, så er maskinlæring et lønnsomt yrkesvalg. Å ta et strukturert program eller kurs er en av de beste måtene å lære maskinlæring fra bunnen av. Den høye etterspørselen i denne bransjen har resultert i hundrevis av ansikt-til-ansikt og nettkurs.
— Hva kan du gi råd til utviklere og analytikere som ønsker å utvikle seg på dette området?
– Maskinlæring har potensialet til å gjøreapplikasjoner kraftigere og mer responsive til brukerbehov. Utviklere som ønsker å implementere maskinlæring i applikasjoner, må vite noen viktige ting som vil hjelpe dem å lykkes:
- Jo mer data en algoritme har, desto mer nøyaktig blir den, så unngå subsampling når det er mulig.
- Å velge den beste maskinlæringsmetoden for et problem er nøkkelen og avgjør ofte suksess eller fiasko.
- Maskinlæringsmodeller kan bare være gode når dataene er gode.
- Å forstå datafunksjoner og forbedre dem (ved å lage nye og fjerne eksisterende) har stor innvirkning på forutsigbarheten.
– Hvor kan du lære det? Kanskje på kurs eller skoler?
— Heldigvis er det i dag mange plattformernettbasert læring som Education Ecosystem hvor du kan lære ulike konsepter innen maskinlæring og kunstig intelligens. På Education Ecosystem kan du lære av ekspertutviklere gjennom prosjekter som inkluderer opplæringsprogrammer og prosjektressurser. For eksempel opprettet jeg flere prosjekter som dette:
- Bildehenting etter likhet ved hjelp av Tensorflow og Keras
- Nevral stiloverføring ved bruk av keras og tensorflow
- Slik gjør du ansiktsgjenkjenning ved hjelp av OpenCV Haar-kaskader
Hvilken virksomhet trenger og hvilken som ikke trenger AI
— Hvordan «selger» man AI og maskinlæring til bedrifter og hvordan forbedrer de arbeidet sitt? Hvorfor tror du næringslivet har blitt mer vitenskapelig?
— Maskinlæringsalgoritmer kan gjentatte gangerlære basert på det angitte datasettet, forstå mønstre, atferd. Denne prosessen er iterativ og i stadig forbedring, noe som hjelper bedrifter til stadig å endre seg for å møte behovene til virksomheten og kundene.
"Maskinlæringsalgoritmer kan lære iterativt fra et gitt sett med data"
Hvilke selskaper er egnet og uegnet? Hvilke problemer kan løses med deres hjelp?
— Mest av alt er maskinlæring nødvendig av bedrifter,som omhandler bildeklassifisering, tekstparsing eller prediktiv modellering. For andre typer virksomhet kan algoritmer trenes til å anbefale noe til brukeren, samle inn data, bruke dyp læring og nevrale nettverk. I servicebransjen kan algoritmer trenes opp som en helpdesk-leder gjennom naturlig språkbehandling basert på vanlige kundeklager.
— På dette området dukker det opp noe nytt nesten hver dag. Hvordan holde styr på hva som skjer, hva bør man være spesielt oppmerksom på?
— En fersk Indeed-rapport fant at ledige stillingerMaskinlæringsingeniører er foran alle andre når det gjelder lønn, etterspørsel og vekst. Dokumentet bemerket også at etterspørselen etter maskinlæringsingeniører økte med 344 %.
Dette området er så viktig fordi detlar bedrifter se trender i kundeatferd og forretningsdriftsmønstre, fremmer utviklingen av nye produkter. Mange av de ledende selskapene som Facebook, Google og Uber gjør maskinlæring til en sentral del av sin virksomhet. Kontinuerlig opplæring vil hjelpe fagfolk å dra nytte av høy etterspørsel og lavt tilbud i denne bransjen.
— Maskinlæring brukes ofte i big data-analyse. Hvilke banebrytende produkter vil dukke opp her?
Big data har blitt viktig som mangeorganisasjoner, både offentlige og private, samler inn enorme mengder informasjon på bestemte områder. Å slå sammen maskinlæring og big data er en uendelig prosess. Vi vil se hvordan maskinlæringsalgoritmer brukes på alle elementer i arbeidet med big data, inkludert segmentering, dataanalyse og modellering.
— Hvilke frie markedsnisjer er knyttet til utviklingen av maskinlæring og AI?
– Kunstig intelligens er et gjennombruddnyere teknologi. Det er mange nisjeområder hvor AI gjør en betydelig innvirkning. Det er andre nisjeapplikasjoner som ikke dekkes i media, men de er i vitenskapelige publikasjoner. De neste årene vil de få størst utvikling, dette er utdanning, bygg og planlegging, underholdning og sportsanalyse.
— Hvordan ser du på utviklingen av maskinlæring? Hvordan kan det hjelpe mennesker, bedrifter, stater?
— Maskinlæring hjelper bedrifterbruke forebyggende vedlikehold for å redusere utstyrshavari og øke fortjenesten. Etter hvert som etterspørselen etter store og komplekse databehandlingsmuligheter vokser, vil maskinlæring hjelpe bedrifter med å bruke forbrukerdata til å bygge nyttige kundeprofiler, øke salget og bygge merkelojalitet.
Maskinlæring har så vidt begynt å utvikle seg. Alle de mest interessante tingene ligger foran oss
Hva er de største misoppfatningene om big data og maskinlæring?
– Den største misforståelsen erat maskinlæringsmodeller kan løse alle problemene i denne verden. Et av de mest kjente sitatene om maskinlæring kommer fra Dave Waters: «En baby lærer å krype, gå og så løpe. Innen maskinlæring er vi i gjennomgangsfasen.»
I prosessen med maskinlæring vil det alltid være detperson involvert. Men det er et forbehold her. Med forbedrede algoritmer vil vi kunne eliminere menneskelig involvering fullstendig etter å ha trent en spesifikk maskinlæringsmodell.
– Det er ikke alle som følger med på gjennombrudd på dette området – hva skal vi legge merke til?
— Siste utvikling innen maskinlæring i dag er Automated Machine Learning (AutoML), Machine Learning Operationalization Management (MLOps), No-Code Machine Learning og Low-Code Machine Learning Development. Dette er konsepter som vil føre til svært lovende prosjekter i årene som kommer.
— Hva er de kort- og langsiktige problemene med ML? Hva med utviklerbias, dårlige intensjoner og etiske standarder som ikke kan skrives ned og formaliseres?
— De største utfordringene innen maskinlæring —det er mangel på kvalifiserte ressurser, mangel på kvalitetsdata, og en forståelse av hvilke prosesser som må automatiseres. Inntil vi har rene og pålitelige data, vil maskinlæringsfagfolk fortsette å møte utfordringer med å utvikle algoritmer og systemer som oppfyller de nøyaktige behovene de ble laget for.
– Når og i hvilket område vil kunstig intelligens vise seg på den mest interessante måten?
— Kunstig intelligens former fremtidenmenneskeheten i nesten alle sektorer. Det er allerede en viktig driver for nye teknologier som big data, robotikk og IoT, og vil fortsette å være en teknologiinnovatør i overskuelig fremtid. I dag er det vanskelig å velge ett bestemt område, gitt at alle bransjer i dag jobber med store datamengder og har ulike automatiseringsbehov.
Les mer:
Arkeologer har offisielt bekreftet legendene fra Bibelen
Graven til "prestinnen" til Afrodite ble funnet: forskere viste hva de fant der
Forskere har sett hva som er på territoriet til Maya-hovedstaden. Funnet overrasket dem.