Hur man lär sig maskininlärning
— Vad är din bakgrund, vad gjorde du innan maskininlärning? Hur
— Jag driver Sethis serviceverksamhetTechnologies. Мы предоставляем нашим клиентам решения на основе машинного обучения и искусственного интеллекта. За последние два года мы поработали с крупнейшими компаниями из списка Fortune 500.
Jag har alltid varit fascinerad av data.Detta avgjorde mitt val – efter det började jag söka kunskap, färdigheter och erfarenhet inom området maskininlärning genom projektbaserat lärande. Detta gav mig möjligheten att bli en maskininlärningsexpert inom Education Ecosystem, ett decentraliserat inlärningsekosystem som lär proffs och högskolestudenter att bygga riktiga produkter.
"Om data, automation och algoritmer är av intresse är maskininlärning ett lönsamt karriärval"
Hur börjar människor lära sig maskininlärning? Är inte detta ett område där grundläggande kunskaper och många års utbildning behövs?
— Grundläggande kunskap inom områdetprogrammering är en extra fördel, annars blir inlärningskurvan för brant. Maskininlärning är också huvudkomponenten i de snabbast utvecklade områdena – Big Data, Predictive Analytics, Data Mining och Computational Statistics.
Om data, automation och algoritmer ringerintresse, då är maskininlärning ett lönsamt karriärval. Att ta ett strukturerat program eller en kurs är ett av de bästa sätten att lära sig maskininlärning från grunden. Den höga efterfrågan i denna bransch har resulterat i hundratals kurser ansikte mot ansikte och online.
— Vad kan du råda utvecklare och analytiker som vill utvecklas inom detta område?
– Maskininlärning har potential att göraapplikationer kraftfullare och mer lyhörda för användarnas behov. Utvecklare som vill implementera maskininlärning i applikationer behöver veta några viktiga saker som hjälper dem att lyckas:
- Ju mer data en algoritm har, desto mer exakt blir den, så undvik subsampling när det är möjligt.
- Att välja den bästa maskininlärningsmetoden för ett problem är nyckeln och avgör ofta framgång eller misslyckande.
- Maskininlärningsmodeller kan bara vara bra när data är bra.
- Att förstå datafunktioner och förbättra dem (genom att skapa nya och ta bort befintliga) har stor inverkan på förutsägbarheten.
- Var kan man lära sig det? Kanske på kurser eller skolor?
— Som tur är finns det idag många plattformaronlineinlärning som Education Ecosystem där du kan lära dig olika begrepp inom maskininlärning och artificiell intelligens. På Education Ecosystem kan du lära dig av expertutvecklare genom projekt som inkluderar handledningar och projektresurser. Till exempel skapade jag flera projekt som detta:
- Bildhämtning genom likhet med Tensorflow och Keras
- Neural stilöverföring med hjälp av keras och tensorflöde
- Hur man gör ansiktsdetektion med OpenCV Haar Cascades
Vilka företag behöver och vilka som inte behöver AI
— Hur ”säljer” man AI och maskininlärning till företag och hur förbättrar de sitt arbete? Varför tror du att näringslivet har blivit mer vetenskapligt?
— Maskininlärningsalgoritmer kan upprepade gångerlära sig baserat på den tillhandahållna datamängden, förstå mönster, beteende. Denna process är iterativ och ständigt förbättrad, vilket hjälper företag att ständigt förändras för att möta företagens och kundernas behov.
"Machine learning algoritmer kan lära sig iterativt från en given uppsättning data"
Vilka företag kommer att passa och inte? Vilka problem kan lösas med deras hjälp?
— Mest av allt behövs maskininlärning av företag,som handlar om bildklassificering, textanalys eller prediktiv modellering. För andra typer av affärer kan algoritmer tränas för att rekommendera något till användaren, samla in data, använda djupinlärning och neurala nätverk. Inom servicebranschen kan algoritmer tränas som en helpdesk-chef genom naturlig språkbehandling baserat på vanliga kundklagomål.
— I det här området dyker det upp något nytt nästan varje dag. Hur håller man koll på vad som händer, vad ska man vara särskilt uppmärksam på?
— En färsk Indeed-rapport fann att lediga jobbMaskininlärningsingenjörer ligger före alla andra när det gäller lön, efterfrågan och tillväxt. Dokumentet noterade också att efterfrågan på maskininlärningsingenjörer ökade med 344%.
Det här området är så viktigt eftersom detgör det möjligt för företag att se trender i kundernas beteende och affärsmönster, främjar utvecklingen av nya produkter. Många av de ledande företagen som Facebook, Google och Uber gör maskininlärning till en central del av sin verksamhet. Kontinuerlig professionell utveckling kommer att hjälpa proffs att dra fördel av hög efterfrågan och lågt utbud i denna bransch.
— Maskininlärning används ofta i big data-analys. Vilka banbrytande produkter kommer att dyka upp här?
Big data har blivit viktig som mångaorganisationer, både offentliga och privata, samlar in stora mängder information inom specifika områden. Att slå samman maskininlärning och big data är en oändlig process. Vi kommer att se hur maskininlärningsalgoritmer tillämpas på varje del av arbetet med big data, inklusive segmentering, dataanalys och modellering.
— Vilka fria marknadsnischer förknippas med utvecklingen av maskininlärning och AI?
– Artificiell intelligens är ett genombrottsenaste tekniken. Det finns många nischområden där AI gör en betydande inverkan. Det finns andra nischapplikationer som inte tas upp i media, men de finns i vetenskapliga publikationer. De kommande åren kommer de att få den största utvecklingen, det är utbildning, byggande och planering, underhållning och sportanalys.
— Hur ser du på utvecklingen av maskininlärning? Hur kan det hjälpa människor, företag, stater?
— Maskininlärning hjälper företaganvända förebyggande underhåll för att minska utrustningshaveri och öka vinsten. När efterfrågan på stora och komplexa databearbetningsmöjligheter ökar, kommer maskininlärning att hjälpa företag att använda konsumentdata för att bygga användbara kundprofiler, öka försäljningen och bygga varumärkeslojalitet.
Maskininlärning har precis börjat utvecklas. Allt det mest intressanta ligger framför oss
Vilka är de största missuppfattningarna om big data och maskininlärning?
– Den största missuppfattningen äratt maskininlärningsmodeller kan lösa alla denna världs problem. Ett av de mest kända citaten om maskininlärning kommer från Dave Waters: "En baby lär sig att krypa, gå och sedan springa. När det gäller maskininlärning är vi i crawlfasen.”
I processen med maskininlärning kommer det alltid att finnasinblandad person. Men det finns en varning här. Med förbättrade algoritmer kommer vi att kunna eliminera mänskligt engagemang helt efter att ha tränat en specifik maskininlärningsmodell.
– Alla hänger inte med i genombrott på det här området – vad ska vi uppmärksamma?
— Senaste utvecklingen inom maskinområdetlärande idag är Automated Machine Learning (AutoML), Machine Learning Operationalization Management (MLOps), No-Code Machine Learning och Low-Code Machine Learning Development. Det är koncept som kommer att leda till mycket lovande projekt de kommande åren.
— Vilka är de kort- och långsiktiga problemen med ML? Hur är det med utvecklarbias, dåliga avsikter och etiska standarder som inte kan skrivas ner och formaliseras?
— De största utmaningarna inom maskininlärning —det är en brist på kvalificerade resurser, en brist på kvalitetsdata och en förståelse för vilka processer som behöver automatiseras. Tills vi har rena och tillförlitliga data kommer maskininlärningspersonal att fortsätta att möta utmaningar när det gäller att utveckla algoritmer och system som uppfyller de exakta behov som de skapades för.
– När och inom vilket område kommer artificiell intelligens att visa sig på det mest intressanta sättet?
— Artificiell intelligens formar framtidenmänskligheten i nästan alla sektorer. Det är redan en viktig drivkraft för framväxande teknologier som big data, robotik och IoT, och kommer att fortsätta att vara en teknologiinnovatör under överskådlig framtid. Idag är det svårt att välja ett specifikt område med tanke på att alla branscher idag arbetar med stora datamängder och har olika automationsbehov.
Läs mer:
Arkeologer har officiellt bekräftat legenderna från Bibeln
Afrodites "prästinnas" grav hittades: forskare visade vad de hittade där
Forskare har sett vad som finns på Mayahuvudstadens territorium. Fyndet överraskade dem.