Ako sa naučiť strojové učenie
— Aký je váš pôvod, čo ste robili pred strojovým učením? Ako
— Vediem Sethiho servistechnológie. Našim klientom poskytujeme riešenia založené na strojovom učení a umelej inteligencii. Za posledné dva roky sme spolupracovali s niektorými z najväčších spoločností z rebríčka Fortune 500.
Vždy ma fascinovali dáta.To určilo moju voľbu – potom som začal hľadať vedomosti, zručnosti a skúsenosti v oblasti strojového učenia prostredníctvom projektového učenia. To mi dalo príležitosť stať sa expertom na strojové učenie v Ekosystéme vzdelávania, decentralizovanom vzdelávacom ekosystéme, ktorý učí profesionálov a vysokoškolských študentov vytvárať skutočné produkty.
„Ak sú údaje, automatizácia a algoritmy zaujímavé, potom je strojové učenie výhodnou kariérnou voľbou“
Ako sa ľudia začnú učiť strojové učenie? Nie je to oblasť, kde sú potrebné základné znalosti a dlhoročné vzdelávanie?
— Základné znalosti v danej oblastiprogramovanie je ďalšou výhodou, inak bude krivka učenia príliš strmá. Strojové učenie je tiež hlavnou zložkou najrýchlejšie sa rozvíjajúcich oblastí – Big Data, Predictive Analytics, Data Mining a Computational Statistics.
Ak volajú dáta, automatizácia a algoritmyzáujem, potom je strojové učenie výhodnou kariérnou voľbou. Absolvovanie štruktúrovaného programu alebo kurzu je jedným z najlepších spôsobov, ako sa naučiť strojové učenie od začiatku. Vysoký dopyt v tomto odvetví vyústil do stoviek prezenčných a online kurzov.
— Čo môžete poradiť vývojárom a analytikom, ktorí sa chcú v tejto oblasti rozvíjať?
– Strojové učenie má potenciálaplikácie sú výkonnejšie a lepšie reagujú na potreby používateľov. Vývojári, ktorí chcú implementovať strojové učenie do aplikácií, potrebujú vedieť niekoľko kľúčových vecí, ktoré im pomôžu uspieť:
- Čím viac údajov má algoritmus, tým je presnejší, preto sa vždy, keď je to možné, vyhnite podvzorkovaniu.
- Výber najlepšej metódy strojového učenia pre problém je kľúčový a často rozhoduje o úspechu alebo neúspechu.
- Modely strojového učenia môžu byť dobré len vtedy, keď sú dobré dáta.
- Pochopenie dátových funkcií a ich zlepšenie (vytvorením nových a odstránením existujúcich) má veľký vplyv na predvídateľnosť.
- Kde sa to dá naučiť? Možno na kurzoch alebo školách?
— Našťastie dnes existuje veľa platforiemonline vzdelávanie, ako je vzdelávací ekosystém, kde sa môžete naučiť rôzne koncepty strojového učenia a umelej inteligencie. V Ekosystéme vzdelávania sa môžete učiť od odborných vývojárov prostredníctvom projektov, ktoré zahŕňajú návody a zdroje projektov. Vytvoril som napríklad niekoľko takýchto projektov:
- Načítanie obrázkov podľa podobnosti pomocou Tensorflow a Keras
- Prenos neurálneho štýlu pomocou Keras a Tensorflow
- Ako urobiť detekciu tváre pomocou OpenCV Haar Cascades
Ktoré podnikanie potrebuje a ktoré nepotrebuje AI
— Ako „predávate“ AI a strojové učenie firmám a ako zlepšujú svoju prácu? Prečo sa podľa vás podnikanie stalo vedeckejším?
— Algoritmy strojového učenia môžu opakovaneučiť sa na základe poskytnutého súboru údajov, porozumieť vzorcom, správaniu. Tento proces je iteratívny a neustále sa zlepšuje, čo pomáha spoločnostiam neustále sa meniť, aby vyhovovali potrebám podnikania a zákazníkov.
„Algoritmy strojového učenia sa môžu iteračne učiť z daného súboru údajov“
Akým spoločnostiam to bude a nebude vyhovovať? Aké problémy možno s ich pomocou vyriešiť?
— Strojové učenie potrebuje predovšetkým podnikanie,ktorá sa zaoberá klasifikáciou obrázkov, analýzou textu alebo prediktívnym modelovaním. Pre iné typy podnikania môžu byť algoritmy trénované tak, aby používateľovi niečo odporučili, zbierali údaje, používali hlboké učenie a neurónové siete. V odvetví služieb možno algoritmy trénovať ako manažér help desk prostredníctvom spracovania prirodzeného jazyka na základe bežných sťažností zákazníkov.
— V tejto oblasti sa takmer každý deň objavuje niečo nové. Ako sledovať, čo sa deje, čomu venovať osobitnú pozornosť?
— Nedávna správa Indeed zistila, že pracovné miestaInžinieri strojového učenia sú pred všetkými ostatnými v platoch, dopyte a raste. V dokumente sa tiež uvádza, že dopyt po inžinieroch strojového učenia sa zvýšil o 344 %.
Táto oblasť je taká dôležitá, pretožeumožňuje podnikom vidieť trendy v správaní zákazníkov a obchodné modely fungovania, podporuje vývoj nových produktov. Mnohé z popredných spoločností ako Facebook, Google a Uber robia zo strojového učenia ústrednú časť svojich operácií. Nepretržité školenie pomôže odborníkom využiť vysoký dopyt a nízku ponuku v tomto odvetví.
— Strojové učenie sa často používa pri analýze veľkých dát. Aké prelomové produkty sa tu objavia?
Veľké dáta sa stali dôležitými rovnako ako mnohé inéorganizácie, verejné aj súkromné, zhromažďujú obrovské množstvo informácií v špecifických oblastiach. Zlúčenie strojového učenia a veľkých dát je nikdy nekončiaci proces. Uvidíme, ako sa algoritmy strojového učenia aplikujú na každý prvok práce s veľkými údajmi vrátane segmentácie, analýzy údajov a modelovania.
— Aké medzery na voľnom trhu súvisia s vývojom strojového učenia a AI?
- Umelá inteligencia je prelomovánajnovšie technológie. Existuje mnoho špecializovaných oblastí, kde má AI významný vplyv. Existujú aj iné špecializované aplikácie, ktoré nie sú pokryté v médiách, ale sú vo vedeckých publikáciách. V nasledujúcich rokoch ich čaká najväčší rozvoj, ide o vzdelávanie, výstavbu a plánovanie, zábavu a športovú analytiku.
— Ako vidíte vývoj strojového učenia? Ako môže pomôcť ľuďom, firmám, štátom?
— Strojové učenie pomáha podnikompoužívať preventívnu údržbu na zníženie porúch zariadení a zvýšenie zisku. Keďže dopyt po rozsiahlych a komplexných možnostiach spracovania údajov rastie, strojové učenie pomôže podnikom využívať spotrebiteľské údaje na vytváranie užitočných profilov zákazníkov, zvýšenie predaja a budovanie lojality k značke.
Strojové učenie sa len začína rozvíjať. Všetky najzaujímavejšie veci sú pred nami
Aké sú najväčšie mylné predstavy o veľkých dátach a strojovom učení?
- Najväčší omyl ježe modely strojového učenia dokážu vyriešiť všetky problémy tohto sveta. Jeden z najznámejších citátov o strojovom učení pochádza od Davea Watersa: „Dieťa sa učí plaziť, chodiť a potom behať. V oblasti strojového učenia sme vo fáze prehľadávania.“
V procese strojového učenia vždy budezúčastnená osoba. Ale je tu jedno upozornenie. S vylepšenými algoritmami budeme schopní úplne eliminovať ľudskú účasť po natrénovaní konkrétneho modelu strojového učenia.
- Nie každý drží krok s objavmi v tejto oblasti - na čo by sme si mali dať pozor?
— Najnovší vývoj v oblasti strojovdnešné vzdelávanie je automatizované strojové učenie (AutoML), riadenie prevádzky strojového učenia (MLOps), strojové učenie bez kódu a vývoj strojového učenia s nízkym kódom. Ide o koncepty, ktoré v najbližších rokoch povedú k veľmi sľubným projektom.
— Aké sú krátkodobé a dlhodobé problémy ML? A čo zaujatosť vývojárov, zlé úmysly a etické normy, ktoré sa nedajú zapísať a formalizovať?
— Najväčšie výzvy v strojovom učení sú —ide o nedostatok kvalifikovaných zdrojov, nedostatok kvalitných dát a pochopenie toho, ktoré procesy potrebujú automatizáciu. Kým nebudeme mať čisté a spoľahlivé údaje, vedci strojového učenia budú aj naďalej čeliť výzvam pri vývoji algoritmov a systémov, ktoré spĺňajú presné potreby, pre ktoré boli navrhnuté.
— Kedy a v akej oblasti sa umelá inteligencia prejaví najzaujímavejšie?
— Umelá inteligencia formuje budúcnosťľudstvo takmer vo všetkých odvetviach. Už teraz je hlavnou hnacou silou nových technológií, ako sú veľké dáta, robotika a internet vecí, a v dohľadnej budúcnosti bude aj naďalej technologickým inovátorom. Dnes je ťažké vybrať jednu konkrétnu oblasť, keďže všetky odvetvia dnes pracujú s veľkým množstvom údajov a majú rôzne potreby automatizácie.
Čítaj viac:
Archeológovia oficiálne potvrdili legendy z Biblie
Našiel sa hrob „kňažky“ Afrodity: vedci ukázali, čo tam našli
Vedci videli, čo sa nachádza na území hlavného mesta Mayov. Nález ich prekvapil.