Како научити машинско учење
— Каква је ваша позадина, шта сте радили пре машинског учења? Како
— Ја водим Сетијев услужни посаотехнологије. Нашим клијентима пружамо решења заснована на машинском учењу и вештачкој интелигенцији. Током протекле две године, радили смо са неким од највећих Фортуне 500 компанија.
Увек су ме фасцинирали подаци.То је одредило мој избор – након тога сам почео да тражим знање, вештине и искуство у области машинског учења кроз учење засновано на пројектима. Ово ми је дало прилику да постанем стручњак за машинско учење у образовном екосистему, децентрализованом екосистему учења који подучава професионалце и студенте да праве праве производе.
„Ако су подаци, аутоматизација и алгоритми од интереса, онда је машинско учење профитабилан избор каријере“
Како људи почињу да уче машинско учење? Није ли ово област у којој су потребна фундаментална знања и вишегодишње образовање?
— Основна знања из областипрограмирање је додатна предност, иначе ће крива учења бити превише стрма. Машинско учење је такође главна компонента области које се најбрже развијају – великих података, предиктивне аналитике, рударења података и рачунарске статистике.
Ако зову подаци, аутоматизација и алгоритмиинтересовање, онда је машинско учење профитабилан избор каријере. Узимање структурираног програма или курса један је од најбољих начина да научите машинско учење од нуле. Велика потражња у овој индустрији резултирала је стотинама курсева лицем у лице и онлајн.
— Шта можете саветовати програмерима и аналитичарима који желе да се развијају у овој области?
– Машинско учење има потенцијал да направиапликације снажније и боље реагују на потребе корисника. Програмери који желе да имплементирају машинско учење у апликације морају да знају неколико кључних ствари које ће им помоћи да успеју:
- Што више података алгоритам има, то постаје тачнији, па избегавајте подузорковање кад год је то могуће.
- Одабир најбоље методе машинског учења за проблем је кључан и често одређује успех или неуспех.
- Модели машинског учења могу бити добри само када су подаци добри.
- Разумевање карактеристика података и њихово побољшање (креирањем нових и уклањањем постојећих) има велики утицај на предвидљивост.
- Где то можете научити? Можда на курсевима или школама?
— На срећу, данас постоји много платформионлајн учење као што је образовни екосистем где можете научити различите концепте машинског учења и вештачке интелигенције. У образовном екосистему можете учити од стручних програмера кроз пројекте који укључују туторијале и пројектне ресурсе. На пример, направио сам неколико пројеката попут овог:
- Преузимање слике по сличности користећи Тенсорфлов и Керас
- Пренос неуронског стила користећи Керас и Тенсорфлов
- Како обавити детекцију лица помоћу ОпенЦВ Хаар каскада
Који бизнис треба, а коме не треба АИ
— Како „продате“ АИ и машинско учење компанијама и како оне побољшавају свој рад? Зашто мислите да је бизнис постао научнији?
— Алгоритми машинског учења могу више путаучити на основу датог скупа података, разумети обрасце, понашање. Овај процес се понавља и стално се побољшава, што помаже компанијама да се константно мењају како би задовољиле потребе пословања и купаца.
„Алгоритми машинског учења могу да уче итеративно из датог скупа података“
Које компаније ће одговарати, а које неће? Који проблеми се могу решити уз њихову помоћ?
— Највише од свега је машинско учење потребно бизнису,који се бави класификацијом слика, рашчлањивањем текста или предиктивним моделирањем. За друге врсте пословања, алгоритми се могу обучити да нешто препоручују кориснику, прикупљају податке, користе дубоко учење и неуронске мреже. У услужној индустрији, алгоритми се могу обучити као менаџер службе за помоћ путем обраде природног језика на основу уобичајених жалби купаца.
— У овој области скоро сваки дан се појављује нешто ново. Како пратити шта се дешава, на шта обратити посебну пажњу?
— Недавни Индеед извештај је открио да се отварају радна местаинжењери машинског учења су испред свих осталих у платама, потражњи и расту. У документу се такође наводи да је потражња за инжењерима машинског учења порасла за 344%.&нбсп;
Ова област је толико важна јеромогућава предузећима да виде трендове у понашању купаца и пословних образаца пословања, промовише развој нових производа. Многе од водећих компанија као што су Фацебоок, Гоогле и Убер чине машинско учење централним делом свог пословања. Континуирани професионални развој ће помоћи професионалцима да искористе предности велике потражње и ниске понуде у овој индустрији.
— Машинско учење се често користи у анализи великих података. Који ће се иновативни производи појавити овде?
Велики подаци су постали важни као и многиорганизације, и јавне и приватне, прикупљају огромне количине информација у одређеним областима. Спајање машинског учења и великих података је процес без краја. Видећемо како се алгоритми машинског учења примењују на сваки елемент рада са великим подацима, укључујући сегментацију, аналитику података и моделирање.
— Које су тржишне нише повезане са развојем машинског учења и вештачке интелигенције?
- Вештачка интелигенција је искоракнајновије технологије. Постоји много нишних области у којима АИ има значајан утицај. Постоје и друге нишне апликације које нису обрађене у медијима, али се налазе у научним публикацијама. У наредним годинама они ће добити највећи развој, а то су образовање, грађевинарство и планирање, забава и спортска аналитика.
— Како видите развој машинског учења? Како може помоћи људима, предузећима, државама?
— Машинско учење помаже предузећимакористите превентивно одржавање како бисте смањили кварове опреме и повећали профит. Како потражња за великим и сложеним могућностима обраде података расте, машинско учење ће помоћи предузећима да користе податке потрошача за изградњу корисних профила купаца, повећање продаје и изградњу лојалности бренду.
Машинско учење тек почиње да се развија. Све најзанимљивије је пред нама
Које су највеће заблуде о великим подацима и машинском учењу?
- Највећа заблуда једа модели машинског учења могу да реше све проблеме овог света. Један од најпознатијих цитата о машинском учењу долази од Дејва Вотерса: „Беба учи да пузи, хода, а затим да трчи. У области машинског учења, ми смо у фази пузања.”
У процесу машинског учења увек ће битиособа укључена. Али овде постоји упозорење. Са побољшаним алгоритмима, моћи ћемо у потпуности да елиминишемо људско учешће након обучавања специфичног модела машинског учења.
– Не иду сви у корак са продорима у овој области – на шта треба обратити пажњу?
— Најновија достигнућа у области машинаучење данас је аутоматизовано машинско учење (АутоМЛ), управљање операционализацијом машинског учења (МЛОпс), машинско учење без кода и развој машинског учења ниског кода. То су концепти који ће у наредним годинама довести до веома обећавајућих пројеката.
— Који су краткорочни и дугорочни проблеми МЛ? Шта је са пристрасношћу програмера, лошим намерама и етичким стандардима који се не могу записати и формализовати?
— Највећи изазови у машинском учењу —то је недостатак квалификованих ресурса, недостатак квалитетних података и разумевање које процесе треба аутоматизовати. Док не будемо имали чисте и поуздане податке, професионалци за машинско учење ће наставити да се суочавају са изазовима у развоју алгоритама и система који задовољавају тачне потребе за које су створени.
– Када и у којој области ће се вештачка интелигенција најзанимљивије показати?
— Вештачка интелигенција обликује будућностчовечанство у скоро свим секторима. Он је већ главни покретач нових технологија као што су велики подаци, роботика и ИоТ, и наставиће да буде технолошки иноватор у догледној будућности. Данас је тешко изабрати једну специфичну област, с обзиром да све индустрије данас раде са великим количинама података и имају различите потребе за аутоматизацијом.
Опширније:
Археолози су званично потврдили легенде из Библије
Пронађен је гроб "свештенице" Афродите: научници су показали шта су тамо пронашли
Научници су видели шта се налази на територији престонице Маја. Налаз их је изненадио.