非技术人员的机器学习指南

< > >

作者:Kannan Chandrasegaran


这是另一个风险公司聚会,你靠酒吧喝酒。在这样一个夜晚,你只想着自己,享受社交活动。
偶尔,一个声音从你耳边传来。
他们是绝对的机器学习初创公司。
谈话消失了。
他们还在使用统计NLP吗?递归神经网络似乎是一种趋势。
谈话又消失了。
机器学习像病毒一样传播,你惊讶地发现酒吧里的每个人都在酒吧里讨论机器学习几分钟。
你过去听过这个词。谁没有听说过?机器学习是一种趋势。毫无疑问,这是人工智能的未来。
问题是,你对它没有一点儿概念。
你放下酒杯转身离开。今晚将是一个不眠之夜。
世界启示录>强>
最初听说过的机器学习机器人是取代蓝领完成工作的。
< > >
“并不是所有的问题都可以用规则”>“强”来解决,而不是所有问题都可以用“强”的规则来解决。
例如,使用计算机来测试这是否是一张狗的照片。
< > >
如何定义此任务的规则?
试图想象什么类型的规则是必需的。
狗有四条腿?
是一只白色的狗吗?
狗有皮毛吗?
< >
这是一个众所周知的座位。
计算机视觉问题,例如识别一个对象,是相当复杂的。但是我们的大脑视觉可辨。所以设计一个清晰的规则是非常困难的。
>强>到机器学习 >
我们不能建立狗识别系统,但是我们可以建立一个学习和识别狗的系统。
< > >
这条线是最好的数据模型。
可以做预测,因为它有这条线。你可以选择你没有测量的重量,在X轴上观察它,然后从Y轴预测弹簧的长度。
< > >
使用数据构建模型,然后通过模型进行预测。
如果编程可以完成这些步骤,那么恭喜:这是机器学习。
找到一个线性模型并用它来预测它,这完全是机器学习,我们称之为线性回归。
将模型编程写入系统,系统可预测弹簧。但是如果没有写一个新的程序,它就不能预测其他的弹簧。
如果我们让程序完成线性回归,同时学习模型,这就是机器学习。
我们不提供模型,但让机器学习模型。
<
例如,它描述了:
机器学习不是神秘的。 >
我们并没有建立自我意识的机器来学习任何东西,而弹簧模型程序并没有学会识别狗。


甚至你,一只春天的狗。
我们建立了一个系统,可以学习特定类型的模型,我们忽略的模型。
几乎所有的机器学习系统都有以下几点:


系统给出基于模型的输出,对输出进行评估以确定它的好坏,然后更新模型以使未来的输出更好。
建立一个能够完成特定问题的连续循环的系统(评估;更新;gt;输出;gt;评估)。机器学习就是这样一门艺术。
输出的复杂性取决于问题本身。它可能只来自聊天机器人的文本响应,或者决定是否在无人驾驶的汽车上踩刹车。
模型的真实模型可能是一个线性模型,比如弹簧问题,它可能是一个基于统计和概率的更复杂的模型。或<< a href =“https://hackernoon.com/neural-networks-the-1-minute-guide-a2909507f350”目标=“_blank”rel=“noopener”,旨在模拟人类大脑工作的神经网络。
不管细节如何,几乎所有的机器学习系统都是这样运行的。每个周期,系统有点上升。经过数千甚至几百万个周期之后,你就能得到一个比人类更好地学会工作的系统。
丰富多彩的应用和需要的技术

资料全部来自网络,如果有问题可以发邮件到站长邮箱