Machine Learning: hvordan man går fra nul til helt

Start med "Hvorfor?" og slut med "Jeg er klar!"

Hvis din forståelse af AI og maskinindlæring er et stort spørgsmålstegn, så er dette blogindlægget for dig. Her øger jeg gradvist din Awesomenessicity ™ ved at lime inspirerende videoer sammen med venlig tekst.

Sæt dig ned og slappe af. Disse videoer tager tid, og hvis de ikke inspirerer dig til at fortsætte til næste afsnit, fair nok.

Men hvis du befinder dig i bunden af ​​denne artikel, har du tjent din velafrundede viden og lidenskab for denne nye verden. Hvor du går derfra er op til dig.

At forstå, hvorfor maskinindlæring er så VARMT lige nu

AI var altid sej, fra at flytte en padle i Pong til at belyse dig med kombinationer i Street Fighter.

AI har altid drejet sig om en programmørs funktionelle gæt om, hvordan noget skal opføre sig. Sjovt, men programmører er ikke altid begavede i programmering af AI, som vi ofte ser. Bare Googles “episke spil mislykkes” for at se fejl i AI, fysik og nogle gange endda erfarne menneskelige spillere.

Uanset hvad AI har et nyt talent. Du kan lære en computer at spille videospil, forstå sprog og endda hvordan man identificerer mennesker eller ting. Denne tip-of-the-iceberg nye færdighed kommer fra et gammelt koncept, der først for nylig fik processorkraften til at eksistere uden for teorien.

Jeg taler om maskinlæring .

Du behøver ikke længere komme med avancerede algoritmer. Du skal bare lære en computer at komme med sin egen avancerede algoritme.

Så hvordan fungerer sådan noget? En algoritme er ikke rigtig skrevet så meget som den er slags ... opdrættet. Jeg bruger ikke avl som en analogi. Se denne korte video, der giver fremragende kommentarer og animationer til det høje niveau koncept om at skabe AI

Wow! Ret?Det er en skør proces!

Hvordan er det nu, at vi ikke engang kan forstå algoritmen, når den er færdig? En stor visuel var, da AI blev skrevet for at slå Mario-spil. Som menneske forstår vi alle, hvordan man spiller en side-scroller, men at identificere den forudsigelige strategi for den resulterende AI er sindssyg.

Imponeret? Der er noget fantastisk ved denne idé, ikke? Det eneste problem er, at vi ikke kender maskinlæring, og vi ved ikke, hvordan vi skal tilslutte det til videospil.

Heldigvis for dig leverede Elon Musk allerede et nonprofit firma til at gøre sidstnævnte. Ja, i et dusin linjer kode kan du tilslutte enhver AI, du vil, i utallige spil / opgaver! Tjek det ud i aktion!

Hvorfor skal du bruge maskinlæring?

Jeg har to gode svar på, hvorfor du skal være ligeglad. For det første får Machine Learning (ML) computere til at gøre ting, som vi aldrig har fået computere til at gøre før. Hvis du vil gøre noget nyt, ikke kun nyt for dig, men for verden, kan du gøre det med ML.

For det andet, hvis du ikke påvirker verden, vil verden påvirke dig.

Lige nu investerer vigtige virksomheder i ML, og vi ser allerede, at det ændrer verden. Tanke-ledere advarer om, at vi ikke kan lade denne nye tidsalder af algoritmer eksistere uden for det offentlige øje. Forestil dig, om et par virksomhedsmonolitter kontrollerede Internettet. Hvis vi ikke tager våben, er videnskaben ikke vores. Jeg tror, ​​Christian Heilmann sagde det bedst i sin tale om ML.

”Vi kan håbe, at andre kun bruger denne magt for godt. Jeg - for det første anser jeg ikke dette for en god satsning. Jeg vil hellere spille og være en del af denne revolution. Og det kan du også. ”

OK, nu er jeg interesseret ...

Konceptet er nyttigt og cool. Vi forstår det på et højt niveau, men hvad pokker sker der faktisk? Hvordan virker det?

Hvis du vil springe lige ind, foreslår jeg, at du springer dette afsnit over og går videre til næste afsnit "Hvordan kommer jeg i gang". Hvis du er motiveret til at være DOer i ML, har du ikke brug for disse videoer.

Hvis du stadig prøver at forstå, hvordan dette endda kan være en ting, er følgende video perfekt til at gå igennem logikken ved hjælp af det klassiske ML-problem med håndskrift.

Temmelig sej huh? Denne video viser, at hvert lag bliver enklere snarere end mere kompliceret. Ligesom funktionen tygger data i mindre stykker, der ender i et abstrakt koncept. Du kan få dine hænder beskidte i at interagere med denne proces på dette websted (af Adam Harley).

Det er sejt at se data går gennem en uddannet model, men du kan endda se dit neurale netværk blive trænet.

Et af de klassiske eksempler på den virkelige verden af ​​Machine Learning i aktion er iris-datasættet fra 1936. I en præsentation, hvor jeg deltog i JavaFXperts oversigt over Machine Learning, lærte jeg, hvordan du kan bruge hans værktøj til at visualisere justering og tilbageudbredelse af vægte til neuroner på et neuralt netværk. Du får se det træne den neurale model!

Selvom du ikke er en Java-buff, præsenterer Jim på alle ting Machine Learning er en temmelig cool 1,5+ times introduktion til ML-koncepter, som indeholder mere info om mange af eksemplerne ovenfor.

Disse begreber er spændende! Er du klar til at være Einstein i denne nye æra? Gennembrud sker hver dag, så kom i gang nu.

Hvordan kommer jeg i gang?

Der er masser af ressourcer til rådighed. Først skal du abonnere på nogle nyhedsbreve / twitter-konti for at holde det personlige hype-tog i gang. Jeg startede denne!

Sjov maskinlæring (@FunMachineLearn) | Twitter

De seneste tweets fra Fun Machine Learning (@FunMachineLearn). Ikke til maskinlæring snobber. Nyd skønheden og ... twitter.com

Hvis du vil have nogle flere koncepter på højt niveau, foreslår jeg, at du tager det ikke-tekniske kursus AI for alle på Coursera. Dette får nogle terminologi og eksempler i din hjerne, når du oplever fremad.

Hvad angår "dybdegående læring", vil jeg anbefale to tilgange.

Møtrikker og bolte

I denne tilgang forstår du maskinindlæring ned til algoritmerne og matematikken. Jeg ved, at denne måde lyder hård, men hvor sejt ville det være at virkelig komme ind i detaljerne og kode disse ting fra bunden!

Hvis du vil være en styrke i ML og holde dig selv i dybe samtaler, så er dette ruten for dig.

Jeg anbefaler, at du afprøver Brilliant.org's app (altid fantastisk til enhver videnskabelsker) og tager kurset Artificial Neural Network. Dette kursus har ingen tidsbegrænsninger og hjælper dig med at lære ML, mens du dræber tiden i kø på din telefon.

Denne koster penge efter niveau 1.

Kombiner ovenstående med samtidig tilmelding til Andrew Ngs Stanford-kursus om “Machine Learning in 11 weeks”. Dette er kurset, som Jim Weaver anbefalede i sin video ovenfor. Jeg har også fået dette kursus uafhængigt foreslået af Jen Looper.

Alle giver en advarsel om, at dette kursus er hårdt. For nogle af jer er det en showstopper, men for andre er det derfor, du vil sætte dig selv igennem det og indsamle et certifikat, der siger, at du gjorde det.

Dette kursus er 100% gratis. Du skal kun betale for et certifikat, hvis du vil have et.

Med disse to kurser har du MEGET arbejde at gøre. Alle skal være imponeret, hvis du klarer det, fordi det ikke er simpelt.

Men mere, hvis du gør det igennem, har du en dyb forståelse af implementeringen af ​​Machine Learning, der vil katapultere dig til at anvende den med succes på nye og verdensændrende måder.

Speed ​​Racer

Hvis du ikke er interesseret i at skrive algoritmerne, men du vil bruge dem til at oprette den næste betagende webside / app, skal du hoppe ind i TensorFlow og crashkurset.

TensorFlow er de facto open source softwarebibliotek til maskinindlæring. Det kan bruges på utallige måder og endda med JavaScript. Her er et crash kursus.

Masser af flere oplysninger om tilgængelige kurser og placeringer kan findes her.

Hvis det ikke er din stil at tage et kursus, har du stadig held. Du behøver ikke lære ML-gritty for at kunne bruge det i dag. Du kan effektivt bruge ML som en service på mange måder med tech-giganter, der har uddannede modeller klar.

Jeg vil stadig advare dig om, at der ikke er nogen garanti for, at dine data er sikre eller endda dine, men udbuddet af tjenester til ML er ret attraktivt!

Brug af en ML-tjeneste kan være den bedste løsning for dig, hvis du er begejstret og i stand til at uploade dine data til Amazon / Microsoft / Google. Jeg kan godt lide at tænke på disse tjenester som et gatewaylægemiddel til avanceret ML. Uanset hvad er det godt at komme i gang nu.

OPDATERINGER!

Jeg oprettede en 5-dages introduktion til AI mini-kursus !!!

//academy.infinite.red/p/ai-demystified-free-5-day-mini-course

Her er nogle fantastiske tutorials, jeg har fundet, som du bør tjekke ud

  • BrainJS tutorials - Neurale net i JS
  • TensorFlow tutorials kode + video
  • Deep Learning Ocean - Kickstarter-kursus

Lad os være skabere

Jeg er nødt til at sige tak til alle de førnævnte mennesker og videoer. De var min inspiration til at komme i gang, og selvom jeg stadig er nybegynder i ML-verdenen, lyser jeg gerne vejen for andre, når vi omfavner denne ærefrygtindgydende tid, vi befinder os i.

Det er bydende nødvendigt at nå ud og komme i kontakt med mennesker, hvis du begynder at lære dette håndværk. Uden venlige ansigter, svar og lydplader kan alt være svært. Bare det at kunne spørge og få et svar er en spilskifter. Tilføj mig, og tilføj de ovennævnte personer. Venlige mennesker med venlige råd hjælper!

Se?

Super almindeligt! Idk hvad læring skal sortering betyder? Men ja, godt at vide, genkende og afbøde

- Jennifer (@sugargreenbean) 8. april 2018

Jeg håber, at denne artikel har inspireret dig og dem omkring dig til at lære ML! Jeg ville også elske, at du sammen med mig finder cool og sjov ML-kode. Star, se og bidrager til min repo her: //github.com/GantMan/fun-machine-learing

Har du et øjeblik? Tjek et par flere af mine indlæg:

  • Solidaritet - CLI for Sanity for udviklere
  • 5 ting, der suger ved fjernarbejde