Warum hast du maschinelles Lernen gelernt?

In der Praxis geht es beim maschinellen Lernen lediglich darum, Daten und Statistiken zu verstehen. Und im Grunde ist es ein Prozess, bei dem Computeralgorithmen Muster in Daten finden und dann die wahrscheinlichen Ergebnisse vorhersagen. Auf diese Weise kann Ihr E-Mail-Programm die empfangenen Nachrichten scannen und anhand der Wörter in der Betreffzeile, der in der Nachricht enthaltenen Links oder der anhand einer Empfängerliste identifizierten Muster feststellen, ob es sich bei einer bestimmten E-Mail um SPAM handelt.

Bevor wir uns mit maschinellem Lernen und den Vorteilen für Ihr Unternehmen befassen, wollen wir kurz erläutern, was maschinelles Lernen bedeutet. Maschinelles Lernen ist besonders nützlich, weil der Algorithmus seine Ergebnisse anhand neuer Informationen „lernen“ und anpassen kann. Das heißt, wenn Spammer die Taktik ändern, erkennt die Maschine schnell die neuen Muster und erkennt zweifelhafte Nachrichten wieder korrekt als SPAM .

Also worauf warten Sie noch? Holen Sie sich dieses umfassende und großartige Tutorial, damit Sie in kürzester Zeit mit dem maschinellen Lernen beginnen können. Dieser Kurs bietet eine umfassende Einführung in maschinelles Lernen, Data Mining und statistische Muster, um die Erkennung von Diabetes-Ausbrüchen mit der Suche nach vertieften Lerngittern zu erkennen.

Projekte, die Sie in diesem Tutorial lernen werden:

  • Börsenclustering
  • Maligne Brustkrebserkrankungen
  • Erkennung von Diabetes
  • Erkennung von Kreditkartenbetrug
  • Vorhersage von Brettspielkritiken

Unterstützen Sie uns jetzt bei Kickstarter und sichern Sie sich jetzt ein fantastisches Frühbucherangebot!

Ich habe mich für maschinelles Lernen entschieden, insbesondere Deep Learning, weil es derzeit das beste Werkzeug zur Lösung vieler Probleme ist .

Ich werde darauf näher eingehen.

In der folgenden Grafik sehen Sie die Anzahl der Forschungspublikationen, die Deep Learning in den letzten Jahren verwendet haben. Für China und die USA ist es fast eine exponentielle Kurve . Der Grund für diesen Trend ist einfach: Deep-Learning-Techniken erzielen derzeit bei vielen KI-Aufgaben eine viel bessere Leistung als jede andere Technik in einer Vielzahl von Anwendungen. Dies hat es uns ermöglicht, viele Probleme der realen Welt anzugehen, die wir zuvor nicht konnten, einfach weil die Techniken, die wir verwendeten, nicht genau oder schnell genug waren.

Wechseln Sie zu Deep Learning und wir haben jetzt Techniken, um neue Produkte zu entwickeln, die vorher praktisch nicht realisierbar waren. Dinge wie selbstfahrende Autos, tatsächlich nützliche Chat-Bots, genaue Sprachübersetzung usw. Google hat dies auch klar erkannt, wie Sie in der folgenden Grafik sehen können.

Ich liebe es, im Technologiebereich zu arbeiten. Bei dieser Art von Arbeit kann man sich nicht wirklich auf ein Werkzeug festlegen. Sie müssen das beste Werkzeug für den Job auswählen . Für die Probleme, an denen ich interessiert bin (und viele andere!), Ist das Deep Learning .

Sobald wir (wahrscheinlich) eine neue Technik gefunden haben, die eine bessere Leistung als Deep Learning erbringt, wird es Zeit, dies zu lernen. 🙂

Hallo,

Das Erlernen des maschinellen Lernens war für mich ausschließlich ein Interesse an künstlicher Intelligenz. Aus irgendeinem Grund hat es mich fasziniert, nur das Wort Roboter oder irgendetwas über KI zu hören, aber es war zu dieser Zeit nur ein Moment der Freude. Mit der Zeit kam ich langsam in die Computertechnik, lernte aber, dass KI immer noch dort hängt und nicht weiß, wo ich den Kopf identifizieren soll!

Schließlich fing ich an, Artikel über Roboter zu lesen, die von Boston Dynamics-Bots wie BigDog oder Wired-Artikeln amüsiert wurden. Alle diese Artikel gaben mir ein Bild davon, wie Maschinen funktionieren und wie das Gehirn hinter ihren Aktionen steht.

Mein erstes und bestes, was ich getan habe, war, mich in einen Kurs für maschinelles Lernen einzuschreiben, der von Professor Andrew Ng in Coursera unterrichtet wurde. Dann kam noch ein weiterer großartiger Kurs, den er unterrichtete: Neuronale Netze und Deep Learning, den ich derzeit auch verfolge.

Einige der besten Tools zum Erlernen Ihrer Algorithmen sind: Python, R, Google Tensorflow, Kaggle-Website und wie gewohnt Websites wie Udemy, edX…

Daher gehört die KI heute zu den sich entwickelnden und aufstrebenden Bereichen, in denen jemand, der bereit ist, Data Scientist oder Ähnliches zu werden, einen hohen Stellenwert auf dem Arbeitsmarkt hat und auch Teil zahlreicher künftiger Innovationen und Errungenschaften sein wird.

Viel Glück an meine ML-Kommilitonen!

Ich bin irgendwie nur hineingestolpert, denke ich.

Ich habe eine Vielzahl von Fächern an der Universität studiert, einschließlich Programmierung, Signalverarbeitung, Steuerungstheorie, Betriebsforschung, Investitionsanalyse und Portfoliooptimierung, und allgemein versucht, meinen Platz in der Welt zu finden.

Mein Kopf begann sich mit all diesen Ideen zu füllen, wie ich alles kombinieren könnte, was ich gelernt hatte, und ich fing in meiner Freizeit an, unabhängig an Aktienhandelsalgorithmen zu arbeiten. Ich las über quantitative Analysen in Foren und Blogs und hatte die Idee, dass ich ein Quant sein wollte.

Meine Aufmerksamkeit richtete sich schnell auf maschinelles Lernen und neuronale Netze. Beim Lesen wurde mir klar, dass diese Techniken im Allgemeinen auf alle Arten von Domänen angewendet werden können, nicht nur auf das Finanzwesen. Zu diesem Zeitpunkt war ich begeistert und wusste nur, dass ich eine Karriere im Bereich maschinelles Lernen und Datenwissenschaften anstreben musste. Es ist seitdem eine kontinuierliche Lernerfahrung.

Wegen seiner Allgemeinheit.

Wenn Sie eine erfolgreiche, produktive und berufliche Karriere mit Mehrwert anstreben, ist eine gute Frage, die Sie sich stellen sollten:

Was muss ich wissen, damit ich für die meisten Menschen am nützlichsten bin?

Stellen wir uns vor, Sie sind ein echter Profi in der schwarzen Magie des maschinellen Lernens. Sie kennen die Schwächen, Stärken, Laufzeiten, Hardwareanforderungen und die beste Software für jeden gängigen ML-Algorithmus. Sie kennen alle Artikel, die im letzten Jahrzehnt bei NIPS, CVPR, ICML und ECCV veröffentlicht wurden. Sie kennen die informativsten Visualisierungswerkzeuge für selbst die widrigsten Daten. Sie können ein LSTM trainieren, um menschlich anmutende Tweets zu generieren. Tatsächlich können Sie einen Chat-Bot schreiben, der den Turing-Test besteht. Mit Reinforcement Learning besiegst du die weltbesten DOTA 2-Spieler. Ihre neuronalen Netze können sprachunabhängige Bedeutungen aus Texten in natürlicher Sprache extrahieren. Sie sind eine Bestie, die pure Intelligenz in eine Schusswaffe verwandelt hat und bereit ist, auf jedes Problem geschossen zu werden, gegen das Affen seit einem Jahrhundert kämpfen.

Wenn Sie dieses offensichtliche Orakel sind, sind Sie für jedes Unternehmen, das Daten aufzeichnet, sofort von Nutzen. Ein Krankenhaus möchte, dass Sie Patienten diagnostizieren. Ein Technologieunternehmen möchte, dass Sie das Nutzerverhalten bestimmen. Finanzunternehmen möchten, dass Sie Lagerbewegungen vorhersagen. Die Versicherungsunternehmen möchten, dass Sie Naturkatastrophen und die Ausbreitung von Krankheiten vorhersagen. Autofirmen möchten, dass Sie ihre Autos programmieren. Google will dich egal was!

Es ist diese Überlegung, die mich überzeugt hat, dass ML das beste Lernfach ist. Es ist sehr allgemein, sehr nützlich und neu anwendbar.

Also würde ich dich fragen, warum nicht ML lernen?

Weil Daten Macht sind!

Und durch maschinelles Lernen kann dieses immense Datenpotenzial erschlossen werden.

Wir leben in einer Ära, in der Data unglaublich schnell gewachsen ist. Hier ist eine kleine Statistik:

  • Seit Beginn der Zeit bis 2005 hatten Menschen 130 Exabyte an Daten erstellt
  • Im Jahr 2010 stieg diese Zahl auf 1200 Exabyte
  • Bis 2015 7900 Exabyte an Daten
  • Bis 2020 soll die Zahl auf 40.900 Exabyte steigen.

Als absoluter Anfänger war ich Anfang dieses Monats von dieser Statistik verblüfft. Meine Liebe zum Wachstum (entstanden als Nebenprodukt meines Hasses auf Stagnation) schrie, ich müsse es mit maschinellem Lernen versuchen. Das heutige Volumen, die Geschwindigkeit und die Vielfalt der Daten erfordern mehr Menschen für diese Wissenschaft namens Maschinelles Lernen, die Sundar Pichai am besten definiert als:

“Ein grundlegender, transformativer Weg, mit dem wir alles, was wir tun, überdenken.”

Wir lassen unsere Maschinen aus den verfügbaren Daten lernen, um Vorhersagen über unsichtbare Daten zu treffen, dh wir wandeln unsere Daten in intelligentes Handeln um.

Natürlich ist das „Data Crunching“ zur Seele des gesamten Workflows des maschinellen Lernens geworden. Und ich kann die eine Zeile nicht vergessen, die ich in meinen absoluten Anfängen des Lernens des maschinellen Lernens verinnerlicht habe – “Bessere Daten schlagen schickere Algorithmen.”

Während ich mit meiner Lernkurve fortschreite, kommt der Alltag mit einer Überraschung, die mich über die unmöglichen Möglichkeiten von maschinellem Lernen und Tiefenlernen erstaunt. Von der medizinischen Diagnose tödlicher Krankheiten bis zur Echolokalisierung des Menschen, von der Bildverarbeitung bis zur Verarbeitung natürlicher Sprache, von der Betrugserkennung bis zur Vorhersage des nächsten Terroranschlags und natürlich dem großen KI-Traum, die erstaunlichste Lernmaschine zu replizieren, die wir kennen – unser Gehirn.

Es ist in der Tat das erstaunlichste Fach, in das ich eingeführt wurde.

Vielen Dank für Ihre Zeit!

Die Evolution des maschinellen Lernens ist ein bedeutender Schritt in Richtung technologischer Fortschritte. Wir leben in einer Zeit, in der die 4. Generation der Industrierevolution stattfindet – andere 3 sind mechanische Automatisierung, Industrialisierung und elektronische Automatisierung. Diese industrielle Revolution der 4. Generation beinhaltet intelligente Automatisierung. Dazu gehören verschiedene Entwicklungen wie das Internet der Dinge, das industrielle Internet, Smart Cities, Smart Homes und so weiter.

Künstliche Intelligenz und maschinelles Lernen sind Kernbestandteile dieser industriellen Revolution in der 4. Generation. Sensoren und Aktoren sind mit Dingen verbunden, die es ihnen ermöglichen, Dinge zu erfassen, sie in Einsen und Nullen umzuwandeln und irgendwo für Analysen und entsprechende Entscheidungen zu speichern. Diese gesammelten Daten können in GB, TB oder Petabyte gespeichert werden. Die eigentliche Essenz dieser gesammelten Daten besteht darin, den Wert daraus abzuleiten. Maschinelles Lernen ist die Kerntechnologie, die dabei hilft, den Wert aus diesen ständig gesammelten und historischen Daten abzuleiten

Ich kann nicht glauben, dass niemand Geld und Arbeitsmöglichkeiten erwähnt hat (wenn ich mich nicht irre) und die Tatsache, dass es im Moment sehr heiß ist, so dass alle (im Bereich „Daten“) darüber reden. Ich kenne viele, die gerade wegen des Geldes die ML / DL-Straße gegangen sind, so einfach ist das. Sie verstehen die Mathematik hinter ML / DL nicht und sind in der Tat überhaupt nicht an Mathematik interessiert. Sie verwenden einfach „bekannte“ Tricks / Modelle und verdienen Geld, ohne dass eine Frage gestellt wird.

Ich komme aus dem Operations Research-Bereich und sehe einige meiner Kollegen, die sich verkleiden und ihren Kunden mitteilen, dass es sich um „maschinelles Lernen“ oder noch besser um „Tiefenlernen“ handelt, obwohl dies nicht der Fall ist.

Ich sage nicht, dass dies kein wunderbares Gebiet ist, das sehr interessant ist, aber es gibt andere Gründe, die „reine wissenschaftliche Neugier“, die Menschen in dieses Gebiet bringen.

Ich für meinen Teil finde maschinelles Lernen komplementär zu meiner Arbeit und es ist sehr interessant, aber ich würde lügen, wenn ich nicht die Beschäftigungsmöglichkeiten und das Geld erwähne, das verdient werden kann, wenn ich sage: „Ich werde Ihr Problem lösen durch maschinelles Lernen “.

Weil ich es immer sehr interessant fand, versteckte Muster zu entdecken und Wissen in hochdimensionalen Informationen zu entdecken. Menschen können nicht einfach mehr als drei Dimensionen visualisieren, aber Computeralgorithmen können mit vielen Dimensionen umgehen, was es zu einer aufregenden Idee macht. Als ich mich entschied, Biomedizintechnik zu studieren, sah ich, dass es in diesem Bereich viele potenzielle Anwendungen des maschinellen Lernens gibt. Es war also die Zeit für mich, maschinelles Lernen zu lernen. Später fand ich heraus, dass es beim maschinellen Lernen nicht immer um die Entdeckung von Wissen geht, aber es ist immer wieder aufregend, auf diesem Gebiet der künstlichen Intelligenz zu arbeiten und „trainierte Intelligenzen“ zu entwickeln, die Muster und Beziehungen erkennen und die wirklich funktionieren trainieren.

Maschinelles Lernen ist die Basis für künstliche Intelligenz und Robotik

Meine Leidenschaft ist Künstliche Intelligenz und Robotik. Und wenn eine Person anfangen möchte, etwas zu beherrschen, muss sie die Grundlagen und Grundlagen des jeweiligen Fachgebiets beherrschen. Wenn es um künstliche Intelligenz und Robotik geht, ist maschinelles Lernen der erste Kurs, den man lernen sollte, da dies die erforderlichen Kenntnisse vermittelt, um auf dem Gebiet der künstlichen Intelligenz und Robotik weitere Fortschritte zu erzielen.

Interessante Frage. Ich kann nicht wirklich sagen, dass ich es jemals getan habe. Was ich gelernt habe, waren Analysis, Differentialgleichungen, Funktionsanalyse, Optimierung, Wahrscheinlichkeitstheorie, mathematische und angewandte Statistik, einschließlich Bayes’scher und nichtparametrischer Statistiken, Zeitreihenanalyse (Signalverarbeitung), angewandte Mathematik, Computerarchitektur, Philosophie und Programmierung in a Sprachenvielfalt von Fortran über PL2 bis Pascal und C. All dies bildete die Grundlage für meinen ersten Master-Abschluss in Steuerungssystemen für die chemische Industrie. Viele Jahre später habe ich Psychologie und Theorie studiert. Wenn mir nach all meinen Kursen und meiner langjährigen Erfahrung eines am maschinellen Lernen klar wird, dann ist es, dass die Maschine nicht lernt. Bestenfalls passt es den Verarbeitungsalgorithmus an, um ein Ziel zu erreichen. Menschen lernen.

Sie können mich fragen, ob ich mit tiefen neuronalen Netzen vertraut bin. Wenn Sie jemals den Betrieb eines Steuerungssystems für eine sehr grundlegende chemische Produktion simuliert haben, wissen Sie wahrscheinlich, dass es sich um ein tiefes neuronales Netzwerk handelt.

Weil ich damals ein großer Hipster war. Ich habe Webentwicklung immer gehasst, aber das ist, was die meisten Leute um mich herum in meiner Uni tun. Zuerst besuchte ich einen Conputer Vision-Kurs, weil er cool klang und von den 180 CS-Schülern meines Schuljahres sich nur etwa 10 Personen dafür anmeldeten.

Ich war total begeistert von allem, einschließlich der maschinellen Lernaspekte des Lebenslaufs. Später zog ich weiter und fing an, selbstständig ML zu lernen.

Ja. Ich habe ML gelernt, weil ich dachte, es ist cool.

Jahre später macht Webentwicklung für mich immer noch keinen verdammten Sinn. Ich bewundere die Leute wirklich dafür, dass sie effiziente und gut aussehende Websites erstellen, weil ich das einfach nicht kann.

Ich habe bisher keine Notwendigkeit gefunden, es für ein Projekt zu verwenden.
Ich kenne einige sehr grundlegende Ideen, wie es funktioniert.

Man lernt eine bestimmte Technologie oder mathematische Technik, wenn es einen praktischen Grund dafür gibt, es sei denn, Mathematik zu lernen ist selbst das Endziel.

Zumindest für mich macht Mathematik nur bis zu einer Grundstufe Spaß, die ich verstehe. Es ist einfach zu mühsam, sie zu lernen, ohne praktischen Nutzen und ohne unmittelbare Befriedigung.

Ich habe mich während meiner Medizinstudienzeit in dieses Fach verliebt, als ich ein Seminar in Genomik besuchte. Ich konnte mir nicht vorstellen, etwas anderes zu tun. Verlassen Sie mein MD / PhD-Programm und schreiben Sie sich für den Rest des Semesters in ein unabhängiges Studium ein, das sich mit maschinellem Lernen und seinen Anwendungen in der Genomik befasst.