Недавно у меня появился новый интерес к машинному обучению. Как и когда это началось? Я не уверен, но я решил завести блог, чтобы писать обо всем, что я узнаю в этом своем путешествии. Я начал проходить печально известную специализацию Стэнфордского университета по машинному обучению Эндрю Н.Г. Курс доступен за 49 долларов в месяц, но я получил доступ бесплатно. Я расскажу о советах и хитростях, чтобы получить платные курсы бесплатно, а также обзор этого курса в другой статье.
В те дни, когда я терплю неудачу и у меня нет мотивации двигаться вперед, я надеюсь, что у меня есть дисциплина.
Я думаю, почему за чем-то очень важно. В наши дни мы часто заканчиваем тем, что выполняем задачи без всякой причины. Я тоже застрял в бездумной прокрутке в течение нескольких часов подряд и часто заканчивал тем, что отрицал тот факт, что я убегаю от чего-то в своей жизни. Очень важно оставаться на связи со своими внутренними ощущениями, чтобы не попасть в этот круговорот самосаботажа. В любом случае, я думаю, очень важно, чтобы мы стали более внимательными к своим привычкам и спрашивали себя, почему мы делаем то, что делаем. Потому что у всего есть свои хорошие или плохие дни.
Как только вы привязываете что-то к цели, становится легче дисциплинировать себя в трудные дни. Эта статья будет напоминанием об этом.
Машинное обучение захватывает мир. И все вращается вокруг этого. Из постов, которые вы видите в своем Instagram, видео, которые Youtube рекомендует вам для фильтров в вашей электронной почте. Машинное обучение стремительно захватывает мир. Его можно реализовать практически во всех сферах: финансы, бизнес, астрономия, медицина, исследования; вы называете это. И причина, по которой она так важна для всех отраслей, заключается в том, что она открывает эру автоматизации. Когда компьютеры учатся вести себя, они генерируют результаты намного быстрее, чем люди.
Что такое машинное обучение?
Проще говоря, машинное обучение обучает машину выдавать желаемый результат. Возможно, вы захотите предсказать, является ли опухоль доброкачественной или злокачественной, а также может ли планета быть обитаемой или нет. Все это делается путем предоставления компьютеру данных. Этот набор данных называется обучающим набором. Машина собирает шаблоны из этих данных, а затем генерирует желаемый результат или этикетки.
При машинном обучении мы либо обучаем модель (обучение с учителем), либо модель обучает себя (обучение без учителя) на основе данных, предоставленных в обучающем наборе. Модель уточняет свой алгоритм в соответствии с данными, предоставленными в обучающей выборке.
В машинном обучении есть несколько типов алгоритмов: Линейная регрессия.
- Логистическая регрессия.
- Древо решений.
- Алгоритм SVM.
- Наивный алгоритм Байеса.
- Алгоритм КНН.
- К-значит.
- Алгоритм случайного леса
и многое другое. Какой алгоритм вы используете, зависит от проблемы, которую вы решаете.
Расцвет машинного обучения
Недавно ИИ под названием ChatGPT, выпущенный OpenAI, сломал интернет.
Обученная на миллиардах данных, это не поисковая система, как Google. Скорее это ИИ, который подбирает ответы на все типы вопросов.
На основе GPT-3.5 OpenAI создала чат-бота для большой языковой модели, известного как ChatGPT. Он замечательно способен участвовать в разговорных разговорах и реагировать так, что иногда кажется удивительно человеческим.
Вы можете попросить ChatGPT писать стихи, создавать контент, писать сценарии, предлагать новые идеи, писать рецепты и многое другое.
ChatGPT учится подчиняться инструкциям и давать ответы, приемлемые для людей, с помощью обучения с подкреплением и обратной связью с человеком (RLHF), дополнительного уровня обучения.
Однако иногда ChatGPT выдает правильные ответы, которые являются ошибочными или нелогичными.
Решить эту проблему сложно, потому что:
(1) В настоящее время нет источника правды во время обучения RL;
(2) делая модель более осторожной, она отклоняет запросы, на которые она может точно ответить; и
(3) Поскольку оптимальный ответ зависит от того, что знает модель, а не от того, что знает человек-демонстратор, обучение под наблюдением обманывает модель.
Ожидается, что эти неудачи будут вскоре исправлены путем дальнейшего обучения модели.
Почему машинное обучение?
С выпуском ChatGPT мир впал в безумие ИИ. Все говорят о возможностях искусственного интеллекта, который завладеет нашей жизнью и все автоматизирует.
Причина, по которой машинное обучение так близко моему сердцу, связана с моей страстью к астрономии.
Машинное обучение и астрономия
При каталогизации огромного количества чего-либо, например, галактик в обзорах всего неба, машинное обучение имеет решающее значение. Компьютеры способны распознавать и классифицировать различные типы галактик, определять местонахождение временных явлений, таких как сверхновые звезды, и распознавать характеристики скоплений галактик. Это заняло бы у людей слишком много времени, время, которое лучше было бы потратить на другие обязанности, с тысячами потенциальных источников из массовых опросов. Компьютеры лучше астрономов справляются с трудоемкими, детализированными задачами, поэтому машинное обучение смещает акцент в этом направлении. Знания, полученные из данных наблюдений с высоким разрешением, также могут быть использованы компьютерными методами для улучшения фотографий с более низким разрешением, что позволит астрономам создать модель того, как объект будет выглядеть через более мощный телескоп.
Кроме того, «астрономия во временной области» — поиск событий, которые меняются во время наблюдения, — требует машинного обучения. Они состоят из:
- Поиск экзопланет или планет, вращающихся вокруг других звезд. Эти миры блокируют небольшое количество света, когда они путешествуют между Землей и своими звездами. Размер и орбиту планеты можно определить, наблюдая за длиной и интенсивностью света. Машинное обучение использовалось для поиска ряда экзопланет, в том числе пары в системах с несколькими планетами, где человеку трудно различить сигналы.
- Мониторинг изменений звездного света. Некоторые звезды очень «активны», испуская вспышки через случайные промежутки времени. Другие неустойчивы, меняя яркость по мере роста и уменьшения.
- Исследование «погодных» закономерностей на нашем собственном Солнце. Несколько обсерваторий постоянно наблюдают за Солнцем, генерируя огромное количество данных, которые необходимо отсортировать. В этом массиве данных машины очень хорошо обнаруживают значительные колебания активности Солнца.
- Открытие и классификация сверхновых. С практической точки зрения взрывы звезд и белых карликов — случайные и непредсказуемые события. Обнаружение этих переходных событий требует просеивания данных, которые часто собираются для различных целей, таких как каталоги галактик.
- Поиск астероидов, комет и других слабых объектов Солнечной системы. Другие астрономические изображения показывают эти тела как переходные процессы. Компьютерный поиск хорошо подходит для их поиска в больших каталогах данных.
Нынешние и будущие обсерватории регулярно обрабатывают терабайты данных — триллионы байтов. Имея так много информации, может быть трудно определить, что важно, а что нет, поскольку важность варьируется в зависимости от задаваемых научных вопросов. Астрономы могут научить компьютеры обрабатывать огромные объемы данных и извлекать соответствующую информацию.
Заключение
Большинство профессионалов опасаются, что он может даже отнять у них работу. но насколько реален этот страх? Будьте уверены, что если вы хорошо справляетесь со своей работой и продолжаете повышать квалификацию, ИИ никак не сможет заменить вас на вашем рабочем месте. Однако разумно использовать ИИ для автоматизации многих ваших повседневных задач и использовать это время для создания чего-то более сложного. Точно так же, как калькуляторы захватили мир арифметики, и все наши вычисления были автоматизированы, аналогичным образом искусственный интеллект облегчит нашу жизнь.
Как и любой инструмент, его нужно изучить, как использовать эту новую технологию с максимальной выгодой для себя. Если вы изучаете машинное обучение, вы хотели бы изучить алгоритмы и базовые знания о математике, которые используются при развертывании этих алгоритмов.
