Как научиться понимать в машинах


Как научиться разбираться в марках машин, девушкам, парням

Большинство автолюбителей, управляющих машиной хотя бы год, легко определяют различные марки транспортных средств по имеющимся у них на капоте эмблемам. Разобраться в многообразии моделей, предлагаемых современными автопроизводителями, достаточно просто. Сложнее определить популярную марку и модель автомобиля, поскольку у каждого человека собственный вкус.

Какие же марки автомобилей наиболее популярны на сегодняшний день? В рейтинг наиболее популярных марок машин у европейских автолюбителей входят:

  • «Audi» модели А3 и А4;
  • «Volkswagen Golf»;
  • «BMW»;
  • «Ford»;
  • «Daimler»;
  • «Mercedes» в компактной модели.

При этом бюджетные варианты все меньше привлекают автолюбителей, которые не испытывают привязанности к маркам:

  • «Opel»;
  • «Dacia»;
  • «Fiat».

Популярные европейские автомобили

Среди европейских автомобилей вне конкуренции находятся машины от немецких автопроизводителей, считающиеся:

  • долговечными;
  • надежными;
  • практичными.

Приобретая немецкий автомобиль, его владелец не сомневается, что на протяжении десятков тысяч километров пробега он прослужит ему без сбоев и поломок. Такое возможно за счет использования в производственном процессе:

  • качественных материалов;
  • современных технологий.

В каждом элементе немецкого автомобиля чувствуется тщательный и скрупулезный подход его создателей, что делает их идеальным транспортным средством во всем мире.

Неважно, какую марку немецкого автомобиля выберет покупатель, поскольку все они наделены великолепными ходовыми характеристиками. Если «Audi» и «BMW» характеризуются оптимальной динамикой движения, то «Mercedes-Benz» к этому дополнительно обладает роскошью и комфортом.

Для указанных марок недостатком является только их высокая стоимость, хотя немецкий автопром предлагает и бюджетные варианты автомобилей. Самой «народной» маркой считается «Volkswagen» практически во всем своем модельном ряду. Отличные технические характеристики во всех компонентах при доступной стоимости без вариантов превращают данный автомобиль в самый популярный у представителей среднего класса.

Популярные американские автомобили

В современных реалиях американский автопром находится на лидирующих позициях, продолжая традиции знаменитых:

  • Генри Форда;
  • Джона Виллиса;
  • Уолтера Крайслера.

Именно указанные личности поняли, что автомобили должны быть одновременно:

  • качественными;
  • красивыми.

Их идеи продолжают реализовываться в современных американских автомобилях, продолжающих идти в авангарде инженерно-технической мысли. Классика американской машины – это:

  • большой и просторный автомобиль, в котором многие детали сверкают на свету;
  • мощный и надежный автомобиль, преодолевающий любые преграды;
  • автомобиль, салон которого богато отделан и искрится роскошными элементами.

Наиболее популярными марками автомобилей из США считаются выпускаемые машины в разных моделях на следующих предприятиях:

  • «Ford Motors»;
  • «Chrysler»;
  • «General Motors».

Большинство американских производителей автомобилей обычно берут в качестве основы самую продаваемую модель, внося в нее индивидуальные изменения в плане внешнего вида и комплектации. Это позволяет привлечь к новинке своих покупателей, хотя и создаются машины-близнецы.

Насыщенность автомобильного рынка не создает затруднений в реализации американских автомобилей, поскольку покупатель знает, что получит автомобиль высокого качества и надежности. Даже подержанные автомобили привлекают покупателей из других стран. Кроме качественных характеристик, автолюбитель, приобретая американскую машину, выигрывает в цене. Дополнительно у американских моделей гораздо интереснее смотрится внутренняя комплектация и отделка.

Приобретая американский автомобиль, его будущий владелец гарантированно получит несколько лет эксплуатации без проблем. Даже автомобили с пробегом из США по своим техническим характеристикам ни в чем не уступают образцам, приобретенным в салоне.

Качественные характеристики американских автомобилей вместе со стремлением угодить новым покупателям сделали рынок в США довольно переполненным. У многих жителей страны в собственности находится по несколько машин. Частично автомобильный рынок в США разгружают иностранные покупатели.

В последние годы американские автопроизводители объединяются с конкурентами из других стран, что позволяет создавать конкурентоспособные модели, обеспечивающие хороший доход.

Популярные китайские автомобили

Китайские автопроизводители на современном рынке представлена машинами, обладающими недорогой стоимостью. Именно это делает их популярными у отечественных автолюбителей. При этом предприятия в Китае, осуществляющие производство автомобилей подразделяются на две категории:

  1. Совместные предприятия, в которых собственным капиталом участвуют крупнейшие автопроизводители. Такие предприятия собирают автомобили, используя:
  • современную запатентованную технологию;
  • качественные комплектующие.

В результате получаются неплохие автомобили, хорошо продающиеся в европейских странах. Наиболее известным китайским предприятием такой категории является компания «First Automobile Group», сотрудничающая с автопроизводителями:

  • «Volkswagen»;
  • «Toyota»;
  • «Mazda».

Указанная компания выпускает следующие модели:

  • «Mazda Familia 323»;
  • «VW Santana»;
  • «VW Golf»;
  • «VW Touran»;
  • «Mazda 6»;
  • «Toyota Corolla;
  • «Land Cruiser».
  1. Китайские предприятия, в которые редко привлекается иностранный капитал. На данных заводах выпускают модели автомобилей, копирующих известные мировые марки. При этом используются:
  • комплектующие и узлы китайского производства;
  • собственная технология.

Наиболее популярными и именно китайскими марками автомобилей являются:

Среди остальных марок автомобилей, которые копируются в Китае и стоят значительно дешевле оригинала, следует выделить:

  • «Ford Focus»;
  • «BMW 320i»;
  • «Honda CR-V»;
  • «Hyundai Sonata»;
  • «Chevrolet Aveo»;
  • «Toyota Prado».

Видео — https://www.youtube.com/watch?v=o-3Z2b22bl0

AI, машинное обучение, простое глубокое обучение | автор: Jun Wu

Машинное обучение с учителем, Машинное обучение без учителя, обучение с подкреплением

@sandrokatalina unsplash.com

Люди говорят об «искусственном интеллекте» так, как будто это все еще в будущем. Сегодня, в 2019 году, искусственный интеллект уже распространяется в нашей жизни. От роботизированных домашних животных, которых мы покупаем в качестве новейших игрушек для наших детей, до хирургов-роботов, которые проводят следующую плановую операцию члена нашей семьи, до систем рекомендаций, которые изучают наши предпочтения в отношении музыки, фильмов и рекламы, мы на самом деле уже в Эре. искусственного интеллекта.

По мере того как «искусственный интеллект» становится все более умным и распространенным, внутри нас растет естественный страх. Мы можем опасаться антиутопии, вызванной неправильным внедрением ИИ в нашем обществе. Мы можем опасаться, что ИИ заменит все наши рабочие места. Мы можем опасаться нашей зависимости от этих технологий. В качестве альтернативы, мы можем попытаться понять все это и сделать шаг назад, чтобы по-настоящему оценить затраты и преимущества внедрения ИИ на наших рабочих местах. Используя понимание, каждый из нас может помочь сформировать собственное будущее с помощью ИИ.

Исторически и «мыслящие машины» Алана Тьюринга, и «машины, способные мыслить автономно» Джона Маккарти были определениями ИИ. По мере развития систем ИИ мы теперь называем ИИ «машинами, которые реагируют на стимуляцию в соответствии с традиционными реакциями людей, учитывая человеческую способность к созерцанию, суждениям и намерениям».

Искусственный интеллект - это, как следует из этого слова, интеллект искусственный, запрограммированный людьми для выполнения человеческой деятельности.Этот искусственный интеллект включен в компьютерные системы для создания систем ИИ, которые в конечном итоге функционируют как единицы «мыслящих машин».

  • General AI Systems может решать проблемы разумно. (Пример: Система торговли акциями на базе ИИ)
  • Узкие системы ИИ могут очень хорошо выполнять определенные задачи. (Пример: производственное подразделение, управляемое искусственным интеллектом)

Согласно отчету Даррелла М. Уэста для Brookings Institute, эти системы обладают тремя качествами: преднамеренность, интеллект и адаптивность.

Намерение. Люди проектируют системы искусственного интеллекта с намерением принимать решения на основе исторических данных, данных в реальном времени или того и другого. Эти системы ИИ содержат предопределенные ответы.

Интеллект - системы искусственного интеллекта часто включают машинное обучение, глубокое обучение и анализ данных с искусственным интеллектом, которые позволяют принимать интеллектуальные решения. Этот интеллект не является человеческим разумом. Это лучшее приближение машины к человеческому разуму.

Адаптивность - системы искусственного интеллекта способны учиться и адаптироваться по мере того, как они собирают информацию и принимают решения.По мере того как системы искусственного интеллекта учатся на данных в реальном времени, системы искусственного интеллекта могут улучшить свои возможности принятия решений для улучшения результатов.

Искусственный интеллект, машинное обучение, глубокое обучение. Автор: Jun Wu.

Системы искусственного интеллекта часто включают искусственный интеллект, машинное обучение и глубокое обучение для создания сложной интеллектуальной машины, которая будет хорошо выполнять данные человеческие функции. Все три элемента становятся отдельными частями интеллектуальной головоломки всей системы ИИ.

Машинное обучение - это приложение искусственного интеллекта, которое предоставляет системе искусственного интеллекта возможность автоматически учиться в окружающей среде и применяет это обучение для принятия более эффективных решений.Машинное обучение использует множество алгоритмов для итеративного изучения, описания и улучшения данных с целью прогнозирования лучших результатов. Эти алгоритмы используют статистические методы для выявления закономерностей, а затем выполняют действия с ними.

Глубокое обучение - это новое поколение машинного обучения. Это разновидность машинного обучения. Модели глубокого обучения могут делать свои собственные прогнозы совершенно независимо от людей. Модели машинного обучения прошлого по-прежнему нуждаются во многих случаях в человеческом вмешательстве, чтобы достичь оптимального результата.В моделях глубокого обучения используются искусственные нейронные сети. Дизайн этой сети вдохновлен биологической нейронной сетью человеческого мозга. Он анализирует данные с логической структурой, подобной тому, как человек делает выводы.

Основы машинного обучения включают обучение из окружающей среды, а затем применение этого обучения для принятия решений. Чтобы сделать это эффективно, существуют категории алгоритмов машинного обучения, которые делают это возможным.

Машинное обучение с учителем - В обучении с учителем цель состоит в том, чтобы придумать функцию отображения (f), которая наилучшим образом описывает входные данные (x), чтобы заключить выходные данные (Y).Мы знаем x и знаем Y. Но мы должны найти функцию отображения (f), которая обеспечит определенный уровень производительности. Затем мы можем применить функцию сопоставления (f) к новым данным, чтобы получить аналогичные результаты. Данные обучения используются для нахождения функции f.

Y = f (X)

Существует два типа задач машинного обучения с учителем: классификация и регрессия в зависимости от типа выходной переменной. Если выходная переменная категориальна, то это проблема классификации.(Пример: цвет может быть красным, синим, пурпурным и т. Д.). Если выходная переменная является действительным значением, то это проблема регрессии. (Пример: высота может быть в масштабе от 0 футов до 10 футов)

Список контролируемых алгоритмов машинного обучения включает:

Линейная регрессия
Машины опорных векторов
Логистическая регрессия
Наивный Байес
Линейный дискриминантный анализ
Деревья решений
K-ближайший соседний алгоритм

Машинное обучение без учителя - В отличие от машинного обучения с учителем, машинное обучение без учителя не предполагает правильный набор выходных данных «Y».Нет никаких выходов. Цель здесь - представить наиболее интересную структуру, которая наилучшим образом описывает входные данные.

Существует два типа задач неконтролируемого машинного обучения: кластеризация и ассоциация. Проблемы кластеризации возникают, когда вы обнаруживаете группировки внутри входных данных. (Пример: группировка поведения при голосовании по полу) Ассоциация - это когда вы обнаруживаете правила во входных данных. (Пример: избиратели-женщины обычно голосуют за кандидатов-женщин)

Список алгоритмов неконтролируемого машинного обучения включает:

Иерархическая кластеризация
Кластеризация K-средних
Смешанные модели
DBSCAN
Локальный фактор выброса
Нейронные сети
Алгоритм максимизации ожиданий
Анализ главных компонентов
Неотрицательная матричная факторизация

Обучение с подкреплением - В отличие от машинного обучения с учителем и машинного обучения без учителя, обучение с подкреплением направлено на поиск наилучшего пути в ситуации, чтобы максимизировать вознаграждение в ситуации.Решение принимается последовательно. На каждом шаге алгоритма на пути к общему вознаграждению будет либо положительное, либо отрицательное вознаграждение. Общая награда - это сумма всех положительных и отрицательных наград на пути. Цель состоит в том, чтобы найти лучший путь, который максимизирует вознаграждение. (Хорошим примером этого является система торговли акциями с поддержкой ИИ.)

Q-Learning
Итерация политики
Состояние-действие-награда-состояние-действие (SARSA)
Deep Q Network
Глубокий детерминированный градиент политики

Глубокое обучение - это следующее поколение алгоритмов машинного обучения, которые используют несколько уровней для постепенного извлечения функций (или понимания) более высокого уровня из необработанных входных данных.Например, в приложениях для распознавания изображений вместо простого распознавания пикселей матрицы алгоритмы глубокого обучения распознают края на определенном уровне, нос на другом уровне и лицо на еще одном уровне. Благодаря способности понимать данные с нижнего уровня по всей цепочке, алгоритм глубокого обучения может со временем улучшить свою производительность и принимать решения в любой момент времени.

Сила алгоритма глубокого обучения заключается в его способности брать на себя как задачи обучения с учителем, так и задачи обучения без учителя.Это также приближается ко многим теориям развития человеческого мозга.

Алгоритмы глубокого обучения теперь используются системами компьютерного зрения, системами распознавания речи, системами обработки естественного языка, системами распознавания звука, системами биоинформатики и системами анализа медицинских изображений.

Изучение основ алгоритмов глубокого обучения:

Сверточные нейронные сети
Искусственные нейронные сети
Нейронные сети прямого распространения
Множественная линейная регрессия
Градиентный спуск
Логистическая регрессия

В реальной жизни проблемы редко бывают простыми.ИИ лучше всего подходит для решения одних проблем, а не других. Чаще всего ИИ лучше всего подходит для выполнения определенных шагов при решении проблемы, оставляя все остальное человеку. Например, чат-боты с поддержкой ИИ могут следить за сотрудниками по поводу их проектов, чтобы получать обновления о статусах, но менеджерам по-прежнему нужно создавать команды, вдохновлять команды и направлять команды в правильном направлении.

Проблемы, которые лучше всего подходят для решения ИИ:

  • Повторяющиеся задачи - ручные задачи, которые следуют логическим шагам, чтобы привести к решению.(Пример: упаковка товаров для отправки на склад)
  • Задачи, требующие обработки данных - задачи, связанные с анализом больших объемов данных в поисках закономерностей и аномалий. (Пример: обнаружение мошенничества по финансовой документации.)
  • Сверхчеловеческие задачи - задачи, требующие сверхчеловеческих способностей и связанные с ограничениями человеческих сенсорных навыков и мелкой моторики. (Пример: робот-хирург может использовать самые точные движения для выполнения неинвазивных операций. Точно настроенное компьютерное зрение может обнаруживать опухоли на МРТ, когда человеческие глаза не видят их.)

По мере развития систем искусственного интеллекта мы сталкиваемся с проблемой столкновения с нашими собственными ограничениями как человеческих существ. Хотя ИИ повышает эффективность нашей жизни, мы сталкиваемся с новыми проблемами, возникающими в результате интеграции ИИ в нашу жизнь. Только с большим пониманием и меньшим страхом мы можем дать себе силы двигаться вперед в Эру искусственного интеллекта.

.

Ограничения машинного обучения | Мэтью Стюарт, доктор философии

В связи со вторым ограничением, обсуждавшимся ранее, якобы существует «кризис машинного обучения в академических исследованиях », когда люди слепо используют машинное обучение, чтобы попытаться проанализировать детерминированные или стохастические системы. в природе.

По причинам, обсуждаемым в ограничении два, применение машинного обучения к детерминированным системам будет успешным, но алгоритм, который не изучает взаимосвязь между двумя переменными, не будет знать, когда он нарушает физические законы.Мы просто передали системе некоторые входные и выходные данные и приказали ей изучить взаимосвязь - подобно тому, как кто-то переводит слово в слово из словаря, алгоритм, кажется, лишь поверхностно понимает основную физику.

Для стохастических (случайных) систем все немного менее очевидно. Кризис машинного обучения для случайных систем проявляется двояко:

  • P-hacking
  • Объем анализа

P-hacking

Когда есть доступ к большим данным, которых могут быть сотни, тысячи или даже миллионы переменных, нетрудно найти статистически значимый результат (учитывая, что уровень статистической значимости, необходимый для большинства научных исследований, составляет p <0.05 ). Это часто приводит к обнаружению ложных корреляций, которые обычно получаются с помощью p-hacking (просматривая горы данных до тех пор, пока не будет найдена корреляция, показывающая статистически значимые результаты). Это не настоящие корреляции, они просто реагируют на шум в измерениях.

Это привело к тому, что люди «вылавливали» статистически значимые корреляции с помощью больших наборов данных и маскировали их за истинные корреляции. Иногда это невинная ошибка (в этом случае ученый должен быть лучше подготовлен), но в других случаях это делается для увеличения количества статей, опубликованных исследователем - даже в академическом мире конкуренция сильна, и люди будут делать все, чтобы улучшить свои показатели.

Объем анализа

Существуют неотъемлемые различия в объеме анализа для машинного обучения по сравнению со статистическим моделированием - статистическое моделирование по своей сути подтверждающее, а машинное обучение по своей сути исследовательское.

Мы можем считать подтверждающий анализ и модели чем-то вроде того, что делают в докторантуре. программа или в области исследования. Представьте, что вы работаете с консультантом и пытаетесь разработать теоретическую основу для изучения какой-либо реальной системы.Эта система имеет набор предопределенных функций, на которые она влияет, и после тщательного планирования экспериментов и разработки гипотез вы можете запускать тесты для определения достоверности своих гипотез.

Исследовательский, с другой стороны, не обладает рядом качеств, связанных с подтверждающим анализом. Фактически, в случае действительно огромных объемов данных и информации подтверждающие подходы полностью не работают из-за огромного объема данных. Другими словами, просто невозможно тщательно изложить конечный набор проверяемых гипотез при наличии сотен, тем более тысяч, тем более миллионов функций.

Таким образом, и, опять же, в широком смысле, алгоритмы и подходы машинного обучения лучше всего подходят для исследовательского прогнозного моделирования и классификации с большими объемами данных и вычислительно сложными функциями. Некоторые будут утверждать, что их можно использовать для «небольших» данных, но зачем это делать, когда классические многомерные статистические методы гораздо более информативны?

ML - это область, в которой в значительной степени рассматриваются вопросы, связанные с информационными технологиями, информатикой и т.д., это могут быть как теоретические, так и прикладные проблемы.Таким образом, он связан с такими областями, как физика, математика, вероятность и статистика, но ML на самом деле является отдельной областью, областью, которая не связана с проблемами, поднятыми в других дисциплинах. Многие решения, которые предлагают эксперты и практики машинного обучения, глубоко ошибаются… но они справляются со своей задачей.

.

«Я хочу изучать искусственный интеллект и машинное обучение. С чего начать? »| Даниэль Бурк

Я работал в Apple Store и хотел перемен. Чтобы начать создавать технологию, которую я обслуживал.

Я начал изучать машинное обучение (ML) и искусственный интеллект (AI).

Так много всего происходит. Перебор.

Каждую неделю кажется, что Google или Facebook выпускают новый вид ИИ, чтобы ускорить работу или улучшить наш опыт.

И не надо начинать с числа компаний, занимающихся беспилотными автомобилями.Хотя это и хорошо. Я не любитель водить машину, а дороги опасны.

Даже несмотря на то, что все это происходит, до сих пор не существует согласованного определения того, что такое искусственный интеллект.

Некоторые утверждают, что глубокое обучение можно рассматривать как ИИ, другие утверждают, что это не ИИ, если оно не проходит тест Тьюринга.

Это отсутствие четкости действительно замедлило мой прогресс вначале. Трудно было выучить что-то, что имеет так много разных определений.

Довольно определений.

Мы с друзьями создавали веб-стартап. Это не удалось. Мы сдались из-за отсутствия смысла. Но по пути я все больше и больше слышал о машинном обучении и искусственном интеллекте.

«Компьютер учится за вас?» Я не мог поверить в это.

Я наткнулся на технологию Deep Learning Nanodegree от Udacity. Веселый персонаж по имени Сирадж Раваль был в одном из промо-роликов. Его энергия была заразительной. Несмотря на то, что я не отвечал основным требованиям (я никогда раньше не писал ни строчки на Python), я подписался.

За 3 недели до даты начала курса я написал в службу поддержки Udacity по электронной почте, спрашивая, какова политика возврата. Я боялся, что не смогу пройти курс.

Мне не вернули деньги. Я закончил курс в установленные сроки. Это было сложно. Иногда действительно сложно. Мои первые два проекта были сданы с опозданием на четыре дня. Но волнение от участия в одной из самых важных технологий в мире двигало меня вперед.

Завершив курс Deep Learning Nanodegree, я гарантированно принял участие в программе Udacity AI Nanodegree, Self-Driving Car Nanodegree или Robotics Nanodegree.Все отличные варианты.

Я снова потерялся.

Классика. «Куда мне идти дальше?»

Мне нужна была учебная программа. Я заложил фундамент с помощью Deep Learning Nanodegree, теперь пришло время выяснить, что будет дальше.

Я не планировал в ближайшее время возвращаться в университет. В любом случае у меня не было 100000 долларов на получение степени магистра.

Итак, я сделал то, что делал вначале. Обратился за помощью к моему наставнику, Google.

Я начал заниматься глубоким обучением без каких-либо предварительных знаний в этой области.Вместо того, чтобы подняться на вершину айсберга искусственного интеллекта, вертолет высадил меня на вершине.

Изучив несколько курсов, я составил список из них, которые больше всего интересовали меня в Trello.

Trello - мой личный помощник / координатор курса.

Я знал, что онлайн-курсы часто бросают. Я не собирался позволять себе быть частью этого числа. У меня была миссия.

Чтобы взять на себя ответственность, я начал делиться своим опытом обучения онлайн. Я решил, что могу практиковаться в передаче того, что я узнал, а также найти других людей, которым интересны те же вещи, что и я.Мои друзья все еще думают, что я инопланетянин, когда я начинаю одну из своих авантюр с искусственным интеллектом.

Я сделал доску Trello общедоступной и написал в блоге сообщение о своих усилиях.

Учебная программа немного изменилась с тех пор, как я ее впервые написал, но она по-прежнему актуальна. Я посещал доску Trello несколько раз в неделю, чтобы отслеживать свои успехи.

Я австралиец. И все волнения, казалось, происходили в США.

Итак, я поступил наиболее логично и купил билет в один конец. Я проучился год и решил, что пора начать применять свои навыки на практике.

Мой план состоял в том, чтобы попасть в США и получить работу.

Затем Эшли написала мне в LinkedIn: «Привет, я видела твои публикации, и они действительно классные, я думаю, тебе стоит познакомиться с Майком».

Я встретил Майка.

Я рассказал ему свою историю онлайн-обучения, как я любил медицинские технологии и свои планы поехать в США.

«Возможно, тебе лучше остаться здесь на год или около того и посмотреть, что ты найдешь, я думаю, тебе бы хотелось познакомиться с Кэмерон».

Я встретил Кэмерон.

У нас был такой же разговор, о котором мы говорили с Майком.Здоровье, технологии, онлайн-обучение, США.

«Мы работаем над некоторыми проблемами со здоровьем, почему бы вам не прийти в четверг?»

Пришел четверг. Я нервничал. Но однажды кто-то сказал мне, что нервничать - это то же самое, что быть возбужденным. Я был взволнован.

Я провел день, встречаясь с командой Макса Кельзена и проблемами, над которыми они работали.

Два четверга спустя Ник, генеральный директор Athon, ведущий инженер по машинному обучению, и я пошли выпить кофе.

«Хотели бы вы присоединиться к команде?» - спросил Ник.

«Конечно», - сказал я.

Мой рейс в США был отложен на пару месяцев, и я купил обратный билет.

Изучая онлайн, я знал, что это необычно. Все должности, на которые я претендовал, имели степень магистра или, по крайней мере, какую-то техническую степень.

У меня не было ни того, ни другого. Но у меня были навыки, которые я получил на множестве онлайн-курсов.

Попутно я делилась своей работой в Интернете. Мой GitHub содержал все проекты, над которыми я работал, мой LinkedIn был разложен, и я практиковался в передаче того, что я узнал, через YouTube и статьи на Medium.

Я никогда не сдавал резюме Максу Кельсену. «Мы видели ваш профиль в LinkedIn».

Моей основной работой было резюме.

Независимо от того, учитесь ли вы онлайн или получаете степень магистра, портфолио того, над чем вы работали, - отличный способ создать скин в игре.

Навыки машинного обучения и искусственного интеллекта пользуются спросом, но это не значит, что вам не нужно их демонстрировать. Даже самый лучший продукт не будет продаваться без полки.

Будь то GitHub, Kaggle, LinkedIn или блог, всегда есть место, где люди смогут вас найти.Кроме того, иметь собственный уголок в Интернете - это очень весело.

Куда вы идете, чтобы научиться этим навыкам? Какие курсы самые лучшие?

Нет лучшего ответа. У каждого будет свой путь. Некоторые люди лучше учатся с помощью книг, другие - с помощью видео.

Что важнее, чем то, как вы начали, так это то, почему вы начинаете.

Начнем с того, почему.

Почему вы хотите получить эти навыки?

Хотите зарабатывать деньги?

Хотите строить вещи?

Хотите что-то изменить?

Нет правильной причины.Все действительны по-своему.

Начните с того, почему, потому что знать почему важнее, чем как. Иметь «почему» означает, что когда становится трудно, а становится трудно, у вас есть к чему обратиться. Что-то, чтобы напомнить вам, почему вы начали.

Понял почему? Хорошо. Время для некоторых сложных навыков.

Могу порекомендовать только то, что пробовал.

Я закончил курсы (в порядке):

  • Treehouse - Introduction to Python
  • DataCamp - Introduction to Python & Python for Data Science Track
  • Udacity - Deep Learning & AI Nanodegree
  • Coursera - Deep Learning by Эндрю Нг
  • быстро.ai - Часть 1, скоро будет Часть 2

Они все мирового класса. Я визуально обучаюсь. Я лучше учусь видеть, что делается. Все эти курсы так и делают.

Если вы абсолютный новичок, начните с некоторых вводных курсов Python, а когда почувствуете себя немного увереннее, переходите к науке о данных, машинному обучению и искусственному интеллекту. DataCamp отлично подходит для начинающих, изучающих Python, но желающих изучить его с упором на науку о данных и машинное обучение.

Самый высокий уровень математического образования у меня был в средней школе.Остальное я узнал через Khan Academy, так как мне это было нужно.

Существует множество разных мнений о том, сколько математики вам нужно знать, чтобы заняться машинным обучением и искусственным интеллектом. Я поделюсь своим.

Если вы хотите применить методы машинного обучения и искусственного интеллекта к решению проблемы, вам не обязательно иметь глубокое понимание математики, чтобы получить хороший результат. Такие библиотеки, как TensorFlow и PyTorch, позволяют кому-то с небольшим опытом работы с Python создавать современные модели, в то время как математика выполняется за кулисами.

Если вы хотите углубиться в исследования машинного обучения и искусственного интеллекта с помощью программы PhD или чего-то подобного, глубокие знания математики имеют первостепенное значение.

В моем случае я не собираюсь углубляться в математику и улучшать производительность алгоритма на 10%. Я предоставлю это людям умнее меня.

Вместо этого я более чем счастлив использовать доступные библиотеки и манипулировать ими, чтобы решать проблемы так, как я считаю нужным.

То, что делает на практике инженер-машиностроитель, может быть не тем, что вы думаете.

Несмотря на обложки многих интернет-статей, это не всегда связано с работой с роботами с красными глазами.

Вот несколько вопросов, которые инженер по машинному обучению должен задавать себе ежедневно.

  • Контекст - Как можно использовать машинное обучение, чтобы узнать больше о вашей проблеме?
  • Данные - Вам нужно больше данных? В какой форме это должно быть? Что делать, если данные отсутствуют?
  • Моделирование - Какую модель вам следует использовать? Это слишком хорошо работает с данными (переоснащение)? Или почему не очень хорошо работает (не подходит)?
  • Производство - Как вы можете запустить свою модель в производство? Это должна быть онлайн-модель или она должна обновляться через определенные промежутки времени?
  • Выполняется - Что произойдет, если ваша модель сломается? Как улучшить его, добавив больше данных? Есть ли способ лучше?

Я позаимствовал их из замечательной статьи Рэйчел Томас, одной из соучредителей Fast.аи, она углубляется в полный текст.

Чтобы узнать больше, я снял видео о том, чем мы обычно занимаемся в понедельник в Max Kelsen.

Нет правильного или неправильного способа попасть в ML или AI (или что-то еще).

Самое прекрасное в этой области то, что у нас есть доступ к одним из лучших технологий в мире, все, что нам нужно сделать, это научиться их использовать.

Вы можете начать с изучения кода Python (мой любимый).

Вы можете начать с изучения математического анализа и статистики.

Вы можете начать с изучения философии принятия решений.

Машинное обучение и искусственный интеллект восхищают меня, потому что они пересекаются на стыке всего этого.

Чем больше я узнаю об этом, тем больше понимаю, что мне еще есть чему поучиться. И это меня возбуждает.

Иногда я расстраиваюсь, когда мой код не запускается. Или я не понимаю концепции. Поэтому я временно сдаюсь. Я сдаюсь, позволяя себе уйти от проблемы и вздремнуть. Или пойти прогуляться.Когда я возвращаюсь, мне кажется, что я смотрю на это другими глазами. Волнение возвращается. Я продолжаю учиться. Говорю я себе. Я обучающаяся машина.

В этой области происходит столько всего, что может быть сложно начать работу. Слишком много вариантов приводит к отсутствию вариантов. Игнорируйте это.

Начинайте с того, что вас больше всего интересует, и следуйте этому. Если он ведет в тупик, отлично, вы поняли, что вам неинтересно. Вернитесь назад и вместо этого сверните на другую развилку дороги.

Компьютеры умны, но они все еще не могут учиться самостоятельно.Им нужна твоя помощь.

.

Смотрите также