Qu'est-ce qu'une machine?
Un jour, les femmes marchant sur leurs ordinateurs marchant dans le parc et se sont dit: "Mon petit ordinateur a dit une drôle de chose ce matin".
-alan Turing
Le noyau de la machine d'apprentissage est "Utilisation d'algorithmes pour analyser les données, en apprendre d'elle, puis prendre des décisions ou des prédictions dans quelque chose sur quelque chose sur le monde". Cela signifie que certaines tâches ne peuvent pas être effectuées, il est préférable d'enseigner comment l'ordinateur développe un algorithme pour compléter la tâche. Il existe trois principaux types de machines d'apprentissage: la surveillance de l'apprentissage, l'apprentissage sans surveillance et le renforcement de l'apprentissage, tous avec leurs avantages et leurs inconvénients spécifiques.
Surveillance d'apprentissage liée à un ensemble de données de signet. L'ordinateur peut utiliser des modes spécifiques pour identifier de nouveaux modèles pour chaque type de carte. Deux grands types d'apprentissage de surveillance sont la classification et la régression. En classification, la machine est formée à un groupe de groupes dans une classe spécifique. Un exemple simple de classification est définiFiltrer le spam sur le compte de messagerie. Les filtres analysent des courriels marqués plus tôt et les comparent à de nouveaux messages. S'ils correspondent à un certain pourcentage, ces nouveaux messages seront marqués comme spam et envoyé au dossier approprié. Ceux qui ne disposent pas de courriels sont classés comme des messages réguliers et envoyez-le à votre boîte de réception.
La deuxième étude de suivi est la régression. En régression, la machine utilise des données précédentes (marquées) pour prédire l'avenir. L'application météo est un bon exemple de profit. En utilisant les données historiques des événements météorologiques (température moyenne, humidité et précipitations), votre application météo mobile peut voir les prévisions météo et météo actuelles à l'avenir.
Dans lequel aucune supervision et données sont des étiquettes. Étant donné que la plupart des données du monde réel n'ont pas d'étiquettes, ces algorithmes sont particulièrement utiles. Aucun apprentissage de surveillance n'est divisé en grappe et poussière de poussière. Les clusters sont utilisés pourLe groupe est basé sur des propriétés et des objets comportementaux. Ceci est différent de la classification car ces groupes ne sont pas fournis. Un exemple de clustering est divisé en différents petits groupes (par exemple, sur la base de l'âge et du statut de mariage), puis s'applique aux solutions de marketing ciblées. La taille de la colombe pour réduire les variables de données est définie en trouvant des points communs. La plupart visualisent les grandes données à l'aide de la poussière pour identifier les tendances et les règles.
Enfin, améliorez l'apprentissage d'utiliser l'histoire et l'expérience de la machine pour prendre des décisions. L'application classique pour améliorer l'apprentissage est le jeu. Contrairement à la surveillance de l'apprentissage et à l'amélioration de l'apprentissage sans surveillance n'implique pas de fournir des réponses ou des sorties «précises». Au lieu de cela, cela ne se concentre que sur la performance. Cela reflète comment les gens apprennent selon des résultats positifs et négatifs. Établir pour apprendre cette action. Raison similaire, une calculatrice de drapeau peut apprendre à déplacer son roi aux échecsLe rival de l'adversaire peut entrer dans l'espace. La leçon de base des échecs peut ensuite être étendue et déduite jusqu'à ce que la machine puisse jouer (et enfin échec) joueurs humains.
Mais attendez, vous pouvez dire. Parlons-nous de l'intelligence faite à la main? Les machines d'apprentissage sont une branche d'intelligence artificielle. L'intelligence artificielle s'est engagée à créer des machines complètes mieux que des tâches complexes que les humains. Ces tâches sont souvent liées au jugement, à la stratégie et au raisonnement sur la sensibilisation, qui est initialement considérée comme la machine. Bien que ce son soit très simple, ces compétences varient d'une grande transformation linguistique, d'une identification d'image, d'une planification, de V.V.
Les machines d'étude utilisent des algorithmes spécifiques et des méthodes de programmation pour obtenir une intelligence artificielle. Aucune machine d'apprentissage, le programme d'échecs que nous avons mentionné précédemment nécessitera des millions de codes de stock, y compris tous les bords et contient tous les mouvements possibles des adversaires. Avec machine d'apprentissage, nous pouvons réduire le nombre lMa code dans la section précédente. Très bon droit?
Il y a une partie manquante: réseau d'apprentissage profond et nerveux. Nous en discuterons plus de détails plus tard. Veuillez noter que l'apprentissage profond est un sous-ensemble de machines d'apprentissage, en se concentrant sur l'imitation biologique et le processus du cerveau humain.
Lundi, qui a développé la machine? Quand et où?
Une percée dans l'apprentissage de la machine vaudra dix Microsoft. A trouvé la capacité d'un certain événement pour des données historiques sur les événements similaires. C'est la base des succursales bayésiennes, il cherche à trouver les événements les plus probables fondés sur des informations précédentes. En d'autres termes, Bayes Theorem n'est qu'une méthode mathématique qui a appris d'expérience, qui est l'idée de base des machines d'apprentissage.
Après quelques siècles, en 1950, l'informatique Alan Turing a inventé le soi-disant test Turing, l'ordinateur doit réussir la conversation écrite, permettant aux gens de penser que vous parlezPour les autres .. TULLLING pense que seuls à travers ce test, la machine peut être considérée comme "intelligente". En 1952, Arthur Samuel a créé le premier premier programme académique - un jeu de société simple, les ordinateurs peuvent apprendre des stratégies de la partie précédente et améliorer les performances futures. Plus tard, Donald Michie, un programme TIC-TAC-TOE lancé en 1963. Au cours des prochaines décennies, le processus d'apprentissage est surveillé avec le même régime - une technique de percée conduit à des ordinateurs mises à jour, les ordinateurs complexes plus de sauts sont souvent testés en jouant stratégique. Jeux avec des joueurs professionnels humains.
Il a atteint son sommet en 1997 et Blue Deep a battu le champion du monde de Gary Casparov dans un jeu d'échecs international. Récemment, Google a développé Alphago se concentrant sur l'ancien jeu d'échecs d'échecs chinois Allez (Go), souvent considéré comme le jeu le plus difficile au monde. Bien que Go soit considéré comme trop compliqué, Alphago a finalement gagné en 2016 et a donné un coup de piedBeat Lee Sedol dans un jeu d'un an.
La plus grande avancée de la machine d'apprentissage est la profondeur de 2006. L'apprentissage profond est un type de machine d'apprentissage de la machine, le but est d'imiter le processus de réflexion du cerveau humain, souvent utilisé pour identifier des photos et des voix. L'apparition d'un apprentissage profond a conduit à de nombreuses technologies que nous utilisons aujourd'hui (peut être accordée). Avez-vous une photo sur votre compte Facebook, juste pour impliquer une marque dans l'image? Facebook utilise un réseau nerveux pour déterminer le visage dans l'image. Ou Siri? Lorsque vous demandez à l'iPhone au point de baseball aujourd'hui, votre discours utilise un algorithme de résolution vocale complexe pour analyse. Sans recherches profondes, c'est impossible.
Pour obtenir un horaire de machine plus complet, assurez-vous de voir cet excellent article écrit par Google Cloud Team!
Troisièmement, comment étudier le travail?
Faites attention à tous les lecteurs avec la peur des mathématiques: je suis désolé de vous dire que la plupart des poissonsC Algorithmes doit avoir une compréhension fondamentale de certains concepts mathématiques importants. Mais n'ayez pas peur! Le concept dont vous avez besoin pour être très simple et dessiner dans le cours que vous avez peut-être passé. Apprenez à utiliser une algèbre linéaire, un calcul, une probabilité et des statistiques.
TOP Concept d'algane linéaire:
1. Opérations matricielles;
2. Bénéfices de fonctionnalités / fonctionnalités de vecteur;
3 Espace et normes
Le concept de 3 tuyaux supérieurs:
1. Division;
2. Fonction de valeur verticale;
3. Orientation du gradient
Top 3 concepts statistiques:
2. Apprentissage général;
3. Méthode d'échantillonnage
Pour des ressources mathématiques spécifiques, je l'encourage fortement à m'annoncer.
Une fois que vous avez une compréhension de base des mathématiques, cela commencera à penser à l'ensemble du processus d'apprentissage. Il y a cinq étapes principales:
Le graphique ci-dessus explique les étapes de manière relativement claire, donc avant kBonjour, nous faisons attention à la partie la plus importante: avant de choisir l'algorithme exact des données et de la situation, une minute de temps pour l'étudier.
Nous n'avons aucun meilleur algorithme, nous n'avons plus de données.-PETER NORVIG
Considérons des groupes d'algorithmes courants:
Le quatrième algorithme, régression
Cela peut être L'algorithme le plus courant, l'algorithme de régression linéaire basé sur des algorithmes de surveillance basés sur des résultats spécifiques de variables continues. D'autre part, la logistique est fréquemment utilisée spécifiquement pour prédire les valeurs discrètes. Ces deux personnes (et tout le monde) L'algorithme de régression est connue pour leur vitesse et ils sont toujours l'un des algorithmes les plus rapides.
V. Algorithmes basés sur
sur la base de l'analyse d'un exemple spécifique de fournir des données à prédire les données afin de prédire les résultats. L'algorithme basé sur l'exemple le plus célèbre est le k-algorithme le plus proche, également appelé Knn.knn à classer,Comparez les points de données et spécifiez chaque point sur le groupe fermé.
6. Algorithme d'arbre de décision
L'algorithme d'arborescence a décidé de mettre un ensemble d'apprentissage "faible", formant un algorithme fort, ces organismes sont des organismes fonctionnent dans une structure d'arborescence. Un algorithme d'arbre de décision commune est un algorithme forestier aléatoire. Dans cet algorithme, l'apprentissage faible est sélectionné au hasard, généralement un facteur de prévision fort. Dans l'exemple ci-dessous, nous pouvons trouver beaucoup de caractéristiques communes (telles que les yeux verts ou le bleu), ils ne suffisent pas pour identifier les animaux seuls. Cependant, lorsque nous combinons toutes ces observations, nous pouvons former une image plus complète et prédire plus précisément.
Sept, bayes algorithme
Non surprenante, ces algorithmes sont la théorie des baies, l'algorithme le plus courant est un simple baies, couramment utilisés pour l'analyse de texte. Par exemple, la plupart des filtres anti-spam utilisent laBayes Math utilise les utilisateurs de données de la carte de classe pour comparer les nouvelles données et la catégoriser de manière appropriée.
Huit, algorithme de clustering
L'axe de l'algorithme de regroupement est la détection commune des facteurs et des packages correspondants, des algorithmes de grappes courants utilisés l'utilisation est la clustering K-moyen. Algorithme. Dans K-Feafer, la sélection de nombres (exprimée par variable K) et le groupe d'éléments dans un groupe approprié en fonction de la distance physique.
Neuf algorithme de réseau d'apprentissage profond et de neural
algorithmes de réseau neurologique artificiel basé sur la structure des réseaux de nématodes biologiques, d'apprentissage profond à l'aide de modèles de réseau de neurones et de la mise à jour. Ils sont grands et des réseaux nerveux extrêmement complexes, utilisant une petite quantité de données de cartes et de données n'abortant pas plus. Les réseaux de neurones et les apprentissages profonds ont de nombreuses entrées et créent une ou plusieurs sorties après certaines couches cachées. Ces connexions forment une boucle spécifique, imiter les informations de traitement du cerveau humain,et comment configurer une connexion logique. De plus, avec l'activité d'algorithmes, des couches cachées ont tendance à devenir plus petites et meilleures.
Que 10 algorithmes
Le graphique suivant est le meilleur graphique que je trouve, montrant les principaux algorithmes de la machine, leur catalogue et entre les relations.
Les chiffres n'ont aucun moyen de leur dire. Weim. Weimen signifie .... Avant d'avoir besoin davantage de nos données, nous devons demander davantage sur IMESELVES. -Nate Silver
Lorsque vous choisissez et exécutez votre algorithme, il existe une étape très importante: résultats visuels et communication. Bien que cela semble stupide et superficiellement comparé aux détails de la programmation d'algorithmes, veuillez visualiser le diaphragme principal des excellents scientifiques de données et de grands scientifiques. Si personne ne peut comprendre, quelle est l'utilisation de grandes idées?
11. Pourquoi la machine d'apprentissage est-elle importante?
comme l'électricité convertieN comme tout il y a 100 ans, j'ai vraiment du mal à penser à une industrie que je ne pense pas qui se transformera au cours des prochaines années .- Andrew NG
Maintenant, il est clair que les machines d'apprentissage ont grand potentiel de changer et d'améliorer le monde. Grâce à l'équipe comme Google Brain et Stanford Machine Group, nous passons à une grande étape vers une véritable sagesse artificielle. Cependant, quels sont exactement la principale zone principale d'apprendre la machine?
Internet des objets
Internet des objets, ou ITO se réfère à des équipements physiques chez vous et au bureau. Le périphérique IOT commun est une ampoule intelligente vendue au cours des dernières années. Avec le progrès des machines d'apprentissage, Internet des appareils est plus intelligent et compliqué que jamais. Machines d'apprentissage Il existe deux applications liées aux applications liées à Internet: rendre votre appareil mieux et collecter vos données. Il est très simple de créerEquipement: Utilisation de la machine d'apprentissage automatique pour personnaliser votre environnement, par exemple, avec le logiciel de reconnaissance faciale à prendre conscience de la salle est de la température et de la température réglables et de l'AC. Collecte de données plus simples, par le biais d'équipements d'activation et de surveillance de pouvoir (tels que Amazon Echo) dans votre maison, comme la société comme Amazon collecter des informations démographiques importantes, la transférer aux annonceurs, tels que l'écran de télévision que vous regardez le spectacle, lorsque vous vous réveillez. Ou dormir, combien de personnes vivent chez vous.
Robot de discussion
Au cours des dernières années, nous avons constaté une augmentation des robots de discussion, des algorithmes de traitement des langues matures sont quotidiens qu'ils s'améliorent. Les robots de discussion sont utilisés dans leurs propres applications mobiles et applications tierces, telles que des pantalons pour fournir un service à la clientèle virtuel par rapport aux traditions (personnes) représentant plus rapidement et efficacement.
Conduite automatique
Projet MMa personne prochaine personnelle est l'un des projets les plus populaires.Cependant, il existe un certain nombre de grandes entreprises qui développent des voitures sans pilote, telles que Chevrolet, Uber et TSLA.Ces véhicules utilisent la technologie pour atteindre la navigation, la maintenance et les procédures de sécurité par le biais de machines d'apprentissage.Un exemple est un capteur de logo utilisant l'algorithme d'apprentissage de surveillance pour identifier et résoudre les logos de la circulation et les comparer à un ensemble de marques standard en surbrillance.De cette façon, la voiture peut voir le panneau de stationnement et se rendre compte que cela signifie vraiment un parking, non tourné, un mot de passe à sens unique ou transversal.