Οι προσπάθειες σχεδιασμού μηχανών εξυπνότερων από τους ανθρώπους δεν είναι καινούριες.
Μία από τις πρώτες επιθέσεις που έκανε η επιστήμη των υπολογιστών στην ανθρώπινη «νοημοσύνη» ήταν μέσω του παιχνιδιού σκακιού. Το σκάκι θεωρείται (ή θα έπρεπε να πούμε;) από πολλούς ως το απόλυτο τεστ της ανθρώπινης διανόησης και δημιουργικότητας, και πίσω στη δεκαετία του 1960-1970, υπήρχαν διαφορετικές σχολές σκέψης στην επιστήμη των υπολογιστών.
Κάποιοι υποστήριξαν ότι ήταν απλώς θέμα χρόνου οι υπολογιστές να ξεπεράσουν τους ανθρώπους στο παιχνίδι σκάκι, ενώ άλλοι πίστευαν ότι αυτό δεν θα συνέβαινε ποτέ.
Πίνακας περιεχομένων
Κασπάροφ εναντίον Deep Blue
Το πιο συγκλονιστικό γεγονός που παρουσίασε άνθρωπος εναντίον μηχανής στη μάχη της σκέψης ήταν ο αγώνας σκακιού του 1996 μεταξύ του τότε παγκόσμιου πρωταθλητή Garry Kasparov (και αναμφισβήτητα, του καλύτερου σκακιστή όλων των εποχών) και Βαθύ μπλεέναν υπερυπολογιστή που σχεδίασε η IBM για αυτήν ακριβώς την εκδήλωση.
Πίστωση εικόνας: Wikipedia
Για να συντομεύσουμε την ιστορία, ο Κασπάροφ κέρδισε τον αγώνα του 1996 πειστικά (4-2), αλλά έχασε τον επαναληπτικό του 1997 (4,5-3,5) εν μέσω πολλών αμφισβήτηση και οι άμεσοι ισχυρισμοί εξαπάτησης του Κασπάροφ κατά της IBM.
Ανεξάρτητα από αυτό, μια εποχή στο σκάκι και την επιστήμη των υπολογιστών είχε τελειώσει. Οι υπολογιστές δικαιούνταν πιο έξυπνοι από οποιονδήποτε ζωντανό άνθρωπο. Η IBM, χαρούμενη με την εκδίκηση, διέλυσε το Deep Blue και προχώρησε.
Σήμερα, είναι αδύνατο για οποιονδήποτε γκραν μάστερ να νικήσει οποιαδήποτε κανονική μηχανή σκακιού που λειτουργεί με βασικό υλικό.
Τι δεν είναι η Μηχανική Μάθηση;
Προτού ρίξουμε μια πιο εμπεριστατωμένη ματιά στη Μηχανική Εκμάθηση, ας αφαιρέσουμε μερικές παρανοήσεις. Η Μηχανική Μάθηση δεν είναι, σε καμία περίπτωση, μια προσπάθεια αναπαραγωγής του ανθρώπινου εγκεφάλου. Παρά τις εντυπωσιακές πεποιθήσεις που διατηρούν άνθρωποι όπως ο Έλον Μασκ, οι ερευνητές της επιστήμης των υπολογιστών υποστηρίζουν ότι δεν αναζητούν αυτόν τον ιερό κόκκο και σίγουρα δεν είναι πουθενά κοντά του.
Με απλά λόγια, η μηχανική μάθηση είναι η πρακτική εφαρμογής διαδικασιών μάθησης προς παράδειγμα σε υπολογιστές. Αυτό έρχεται σε αντίθεση με την παραδοσιακή προσέγγιση του να βασιζόμαστε σε έναν άνθρωπο προγραμματιστή για να σκεφτούμε όλα τα πιθανά σενάρια και τους κανόνες σκληρού κώδικα για αυτούς σε ένα σύστημα.
Ειλικρινά, αυτό είναι περίπου το τι είναι η μηχανική μάθηση: τροφοδοσία τόνους και τόνους δεδομένων σε έναν υπολογιστή, ώστε να μπορεί να μάθει από παραδείγματα (δοκιμή → σφάλμα → σύγκριση → βελτίωση) αντί να βασίζεται στον πηγαίο κώδικα.
Εφαρμογές Μηχανικής Μάθησης
Έτσι, αν η Μηχανική Μάθηση δεν είναι μαύρη μαγεία και δεν πρόκειται να δημιουργήσει εξολοθρευτές, σε τι είναι χρήσιμη;
Η Μηχανική Μάθηση βοηθάει σε περιπτώσεις όπου ο παραδοσιακός προγραμματισμός πέφτει σταθερά, και αυτές οι περιπτώσεις γενικά εμπίπτουν σε μία από τις δύο κατηγορίες.
Όπως υποδηλώνει το όνομα, η Ταξινόμηση αφορά τη σωστή επισήμανση των πραγμάτων, ενώ η Πρόβλεψη στοχεύει στη διόρθωση μελλοντικών προβολών, δεδομένου ενός αρκετά μεγάλου συνόλου δεδομένων προηγούμενων τιμών.
Μερικές ενδιαφέρουσες εφαρμογές της Μηχανικής Μάθησης είναι:
Φιλτράρισμα ανεπιθύμητων μηνυμάτων
Τα ανεπιθύμητα μηνύματα ηλεκτρονικού ταχυδρομείου είναι διάχυτα, αλλά η προσπάθεια να τα σταματήσετε μπορεί να είναι εφιάλτης. Πώς ορίζεται το spam; Είναι η παρουσία συγκεκριμένων λέξεων-κλειδιών; Ή μήπως έτσι όπως είναι γραμμένο; Είναι δύσκολο να σκεφτείς ένα εξαντλητικό σύνολο κανόνων, από άποψη προγράμματος.
Αυτός είναι ο λόγος που χρησιμοποιούμε τη Μηχανική Μάθηση. Δείχνουμε στο σύστημα εκατομμύρια ανεπιθύμητα μηνύματα και μη ανεπιθύμητα μηνύματα και το αφήνουμε να καταλάβει τα υπόλοιπα. Αυτό ήταν το μυστικό πίσω από τα εξαιρετικά φίλτρα ανεπιθύμητης αλληλογραφίας του Gmail που συγκλόνισαν τα προσωπικά email στις αρχές της δεκαετίας του 2000!
συστάσεις
Όλες οι μεγάλες εταιρείες ηλεκτρονικού εμπορίου σήμερα διαθέτουν ισχυρά συστήματα συστάσεων. Κατά καιρούς, η ικανότητά τους να προτείνουν πράγματα που «ενδέχεται» να θεωρήσουμε χρήσιμα είναι απίστευτα ακριβής, παρόλο που δεν έχουμε κάνει ποτέ ξανά κλικ σε αυτό το αντικείμενο.
Σύμπτωση? Καθόλου!
Η Μηχανική Μάθηση είναι σκληρή δουλειά εδώ, καταβροχθίζοντας terabyte μετά από terabyte δεδομένων και προσπαθώντας να προβλέψουμε τις ασταθείς διαθέσεις και προτιμήσεις μας.
Chatbots
Έχετε συναντήσει υποστήριξη πελατών πρώτου επιπέδου που φαινόταν παράξενα ρομποτική και ωστόσο ήταν σε θέση να κάνει ενδιαφέρουσες συζητήσεις;
Λοιπόν, τότε σας έχει πιάσει η Μηχανική Μάθηση!
Η εκμάθηση από τις συνομιλίες και ο καθορισμός του τι να πείτε όταν είναι μια επερχόμενη και συναρπαστική περιοχή της εφαρμογής chatbot.
Αφαίρεση ζιζανίων
Στη γεωργία, τα ρομπότ που τροφοδοτούνται από τη Μηχανική Μάθηση χρησιμοποιούνται για να ψεκάζουν επιλεκτικά ζιζάνια και άλλα ανεπιθύμητα φυτά ανάμεσα σε καλλιέργειες.
Αυτό διαφορετικά θα έπρεπε να γίνει με το χέρι ή θα ήταν υπερβολικά σπάταλο, καθώς το σύστημα θα ψέκαζε το προϊόν επίσης με το φονικό υγρό!
Φωνητική αναζήτηση
Η αλληλεπίδραση που βασίζεται στη φωνή με συστήματα υπολογιστών δεν είναι πλέον επιστημονική φαντασία. Σήμερα έχουμε ψηφιακούς βοηθούς όπως η Alexa, η Siri και το Google Home που μπορούν να δέχονται εντολές προφορικά και να μην ανακατεύουν (καλά, σχεδόν!).
Κάποιοι μπορεί να υποστηρίξουν ότι είναι μια εφεύρεση που καλύτερα να αποφευχθεί, καθώς κάνει την ανθρώπινη φυλή πιο τεμπέλη από ποτέ, αλλά δεν μπορείτε να αμφισβητήσετε την αποτελεσματικότητα.
Ιατρική διάγνωση
Βρισκόμαστε στα πρόθυρα μιας επανάστασης στην ιατρική διάγνωση, καθώς τα συστήματα που βασίζονται στη μηχανική μάθηση αρχίζουν να ξεπερνούν τους έμπειρους γιατρούς σε διάγνωση μέσω ακτινογραφιών κ.λπ.
Λάβετε υπόψη ότι αυτό δεν σημαίνει ότι σύντομα δεν θα χρειαστούν γιατροί, αλλά ότι η ποιότητα της ιατρικής περίθαλψης θα αυξηθεί δραματικά, ενώ το κόστος θα μειωθεί (εκτός εάν τα επιχειρηματικά καρτέλ υπαγορεύουν διαφορετικά!).
Αυτό ήταν απλώς ένα δείγμα του τι χρησιμοποιείται η Μηχανική Μάθηση. Αυτοοδηγούμενα αυτοκίνητα, ρομπότ παιχνιδιών στρατηγικής, μηχανές διπλώματος μπλουζών, σπάσιμο captcha και έγχρωμες ασπρόμαυρες φωτογραφίες συμβαίνουν αυτές τις μέρες.
Τύποι Μηχανικής Μάθησης
Οι τεχνικές μηχανικής μάθησης είναι δύο ειδών.
Εποπτευόμενη μάθηση, στην οποία το σύστημα κατευθύνεται από την ανθρώπινη κρίση, και μη εποπτευόμενη μάθηση, στην οποία το σύστημα αφήνεται να μάθει μόνο του. Ένας άλλος τρόπος να πούμε το ίδιο πράγμα θα ήταν ότι στην εποπτευόμενη μάθηση, έχουμε ένα σύνολο δεδομένων που περιέχει τόσο τις εισόδους όσο και την αναμενόμενη έξοδο, τα οποία το σύστημα χρησιμοποιεί για να συγκρίνει και να διορθώσει μόνο του. Στην Unsupervised Learning, ωστόσο, δεν υπάρχει κανένα αποτέλεσμα προς μέτρηση, επομένως τα αποτελέσματα ενδέχεται να διαφέρουν πολύ.
Μια συναρπαστική και ανατριχιαστική εφαρμογή της Μη εποπτευόμενης Μηχανικής Εκμάθησης;
Αυτό θα ήταν bots που παίζουν επιτραπέζια παιχνίδια, όπου το πρόγραμμα διδάσκεται τους κανόνες του παιχνιδιού και τις συνθήκες νίκης και στη συνέχεια αφήνεται στην τύχη του. Στη συνέχεια, το πρόγραμμα παίζει εκατομμύρια παιχνίδια εναντίον του, μαθαίνοντας από τα λάθη του και ενισχύοντας τις συμφέρουσες αποφάσεις.
Εάν χρησιμοποιείτε έναν αρκετά ισχυρό υπολογιστή, μπορείτε να προετοιμάσετε μια εντυπωσιακή τεχνητή νοημοσύνη που παίζει στον κόσμο μέσα σε λίγες ώρες!
Οι παρακάτω εικόνες απεικονίζουν αυτές τις ιδέες συνοπτικά (πηγή: Μέσο):
Πόροι για να ξεκινήσετε στη Μηχανική Εκμάθηση
Λοιπόν, τώρα που είστε όλοι ενθουσιασμένοι με τη Μηχανική Μάθηση και πώς μπορεί να σας βοηθήσει να κατακτήσετε τον κόσμο, από πού να ξεκινήσετε;
Παρακάτω έχω παραθέσει μερικούς φανταστικούς πόρους στον Ιστό που μπορούν να σας βοηθήσουν να επιτύχετε ευχέρεια στη Μηχανική Μάθηση χωρίς να αποκτήσετε διδακτορικό. στην πληροφορική! Εάν δεν είστε ερευνητής της Μηχανικής Μάθησης, θα βρείτε τον τομέα της Μηχανικής Μάθησης εξίσου πρακτικό και ευχάριστο με τον προγραμματισμό γενικά.
Επομένως, μην ανησυχείτε, ανεξάρτητα από το επίπεδό σας αυτή τη στιγμή, μπορείτε, όπως ένα καλό πρόγραμμα Machine Learning, να διδάξετε τον εαυτό σας και να γίνετε καλύτεροι. 😛
#1. Προγραμματισμός
Η πρώτη προϋπόθεση για να μπείτε στη Μηχανική Μάθηση είναι να μάθετε να προγραμματίζετε. Αυτό συμβαίνει επειδή τα συστήματα Μηχανικής Μάθησης έχουν τη μορφή βιβλιοθηκών για διάφορες γλώσσες προγραμματισμού.
Η Python είναι η πιο προτεινόμενη, εν μέρει επειδή είναι απίστευτα ευχάριστο στην εκμάθηση και εν μέρει επειδή διαθέτει ένα τεράστιο οικοσύστημα βιβλιοθηκών και πόρων.
ο επίσημος Ο οδηγός αρχαρίων είναι ένα εξαιρετικό μέρος για να ξεκινήσετε, ακόμα κι αν είστε λίγο εξοικειωμένοι με την Python. Ή, πάρε αυτό Μάθημα Bootcamp να γίνει ήρωας από το μηδέν.
#2. Σκέψου Στατιστικά
Μόλις τελειώσετε με τα βασικά της Python, η δεύτερη σύστασή μου θα ήταν να διαβάσετε δύο εξαιρετικά βιβλία. Είναι 100% δωρεάν και διαθέσιμα ως PDF για λήψη. Σκέψου Στατιστικά και Σκεφτείτε τον Bayes είναι δύο σύγχρονα κλασικά που κάθε επίδοξος μηχανικός Μηχανικής Μάθησης πρέπει να εσωτερικεύσει.
#3. Udemy
Σε αυτό το σημείο, θα σας συνιστούσα να παρακολουθήσετε μερικά μαθήματα από Udemy. Η διαδραστική, αυτορυθμιζόμενη μορφή θα σας βοηθήσει να μπείτε στο απροχώρητο και να χτίσετε αυτοπεποίθηση.
Βεβαιωθείτε ότι έχετε ελέγξει την προεπισκόπηση του μαθήματος, τις κριτικές (ειδικά τις αρνητικές!) και τη συνολική αίσθηση του μαθήματος πριν ξεκινήσετε.
Μπορείτε επίσης να συναντήσετε καταπληκτικά μαθήματα στο YouTube δωρεάν. Sentdex Είναι ένα τέτοιο κανάλι που μπορώ να προτείνω, όπου πάντα πάνε πολύ διασκέδαση, αλλά η προσέγγισή του δεν είναι φιλική προς τους αρχάριους.
#4. Andrew Ng
Μάθημα που δίδαξε ο Andrew Ng on Coursera είναι αναμφισβήτητα ο πιο δημοφιλής πόρος εκμάθησης για τις βασικές αρχές της Μηχανικής Μάθησης.
Αν και χρησιμοποιεί τη γλώσσα προγραμματισμού R, παραμένει απαράμιλλη στην αντιμετώπιση του θέματος και στις σαφείς εξηγήσεις του. Εξαιτίας αυτής της πορείας, ο Andrew Ng έχει επιτύχει κάπως θεϊκό ανάστημα στους κύκλους του ML και οι άνθρωποι αναζητούν την απόλυτη σοφία (δεν κάνω πλάκα!).
Αυτό δεν είναι ένα μάθημα για αρχάριους, αλλά αν είστε ήδη καλοί στη διαμάχη δεδομένων και δεν σας πειράζει η παράπλευρη έρευνα καθώς προχωράτε, αυτό το μάθημα είναι η καλύτερη σύσταση.
#5. Ανθρωπότητα
Γίνετε μηχανικός μηχανικής μάθησης παίρνοντας αυτό το νανοβαθμολόγιο Ανθρωπότητα.
Θα χρειαστούν περίπου 3 μήνες για την ολοκλήρωση και το τέλος του μαθήματος, αναμένεται να έχετε μια δίκαιη ιδέα σχετικά με τους αλγόριθμους μηχανικής μάθησης, τον τρόπο μοντελοποίησης και ανάπτυξης τους στην παραγωγή.
συμπέρασμα
Δεν υπάρχει τέλος στους πόρους στο διαδίκτυο και μπορείτε εύκολα να χαθείτε όταν ξεκινήσετε. Τα περισσότερα από τα σεμινάρια και οι συζητήσεις εκεί έξω είναι μαθηματικά προκλητικές ή στερούνται δομής και μπορούν να σπάσουν την αυτοπεποίθησή σας πριν καν ξεκινήσετε.
Λοιπόν, θα ήθελα να σας προειδοποιήσω για την αυτοκαταστροφή: κρατήστε τον στόχο σας σεμνό και κινηθείτε με ελάχιστα βήματα. Η Μηχανική Μάθηση δεν είναι κάτι με το οποίο μπορείτε να νιώσετε άνετα μέσα σε μια ή δύο μέρες, αλλά πολύ σύντομα θα αρχίσετε να απολαμβάνετε τον εαυτό σας και ποιος ξέρει, ίσως να δημιουργήσετε κάτι τρομακτικό!
Καλα να περνατε! 🙂