Первая часть серии статей о децентрализованном машинном обучении посвящена пониманию необходимости децентрализации на интуитивно понятном примере.
Это первая часть серии блогов по теме Децентрализованное машинное обучение. На протяжении всей серии я представлю сферу децентрализованного машинного обучения, объясню необходимость децентрализации, расскажу о некоторых инструментах и методах, используемых для достижения децентрализации, и завершу серию, предоставив подробный отчет о текущем состоянии исследований и открытых проблемах в этой области. . В настоящее время я не определился с количеством частей, которые планирую включить в серию, но следите за обновлениями, чтобы получить дополнительную информацию.
Присоединяйтесь к моему Quora space, чтобы получать регулярные новости и обновления о децентрализованном машинном обучении. Имея огромный опыт в создании и исследовании децентрализованных систем машинного обучения, я буду публиковать оригинальные материалы о последних достижениях в академических кругах и отрасли. Посетите мой личный веб-сайт, чтобы получить более подробную информацию о моем образовании, навыках, опыте и достижениях.
Машинное обучение и наука о данных в целом - это чрезвычайно быстро развивающаяся область в настоящее время, поскольку она способна предоставлять мощные решения, которые невозможно представить с использованием программ, основанных на правилах. Однако данные - это самое узкое место в любой системе машинного обучения. Сегодня, хотя мы можем придумать действительно инновационные решения на основе машинного обучения, практически невозможно реализовать какие-либо из них, если соответствующие данные недоступны.
Хотя существует множество способов получить общедоступные данные из Интернета, практически невозможно получить данные, которые могут быть частными для пользователей или организаций. И, по моему мнению, наша способность косвенно использовать личные данные при соблюдении принципов безопасности и конфиденциальности фактически определит масштабы машинного обучения в будущем. Хотя практически возможно создать массу решений, используя общедоступные данные, в какой-то момент мы зайдем в тупик.
Что еще более важно, недоступность личных данных накладывает различные ограничения на типы решений, которые мы можем предоставить. Например, системы рекомендаций по покупке, которые мы часто замечаем на веб-сайтах электронной коммерции, предоставляют надежные предложения и облегчают нашу жизнь. Но поскольку его обучают только практике закупок других пользователей и данным, которые являются личными только для организации, есть несколько ограничений, которые мы почти не замечаем. Подумайте о сценарии, в котором множество людей приобрели чехол для ноутбука за 20 долларов и ноутбук за 2000 долларов одновременно. Так что, если вы должны были купить в тележке только чехол для ноутбука за 20 долларов, высока вероятность, что система порекомендует вам купить ноутбук за 2000 долларов. Время от времени это может раздражать, но решить эту проблему невозможно, если организация, занимающаяся электронной коммерцией, не сможет получить представление о бюджете или банковских балансах покупателя. Если бы специалист по электронной торговле знал, что у вас недостаточно средств на банковском счете или лимит на кредитной карте, он бы не рекомендовал покупать ноутбук за 2000 долларов США. Аналогичным образом даже банки могут предоставлять клиентам более индивидуализированные продукты, услуги и предложения, если они могут получить представление о своих покупательских предпочтениях на веб-сайтах электронной коммерции. Однако для обеспечения конфиденциальности своих пользователей организации не могут напрямую обмениваться данными друг с другом.
И, следовательно, хотя машинное обучение в настоящее время является быстроразвивающейся областью, возможно, оно не обязательно будет актуальным в будущем. Хотя мы добились огромных успехов в области машинного обучения и глубокого обучения, необходимо решить множество проблем. один. Несмотря на то, что в последние годы в этой области было проведено много исследований, остается множество проблем (безопасность, масштабируемость, архитектура и т. Д.), Которые все еще остаются нерешенными.
В нескольких следующих публикациях я планирую представить инструменты и методы, которые можно использовать для достижения децентрализации в среде машинного обучения. В дополнение к введению я буду предоставлять блоги и ресурсы в конце статьи, которые помогут вам расширить предоставленную информацию. Обратите внимание на Децентрализованное машинное обучение: часть II (основы блокчейна). Спасибо за внимание!
Опять же, если вы хотите получать регулярные новости и обновления о децентрализованном машинном обучении, подпишитесь на мою тему на Quora. Основываясь на моем опыте исследователя, я буду делиться оригинальным контентом, имеющим отношение к промышленному и академическому прогрессу в области децентрализованного машинного обучения.
Также прочтите
- Лучший Crypto Trading Bot
- Торговые платформы для криптографических копий
- Лучшее крипто-налоговое программное обеспечение
- Лучшие криптографические торговые платформы
- Лучшие платформы криптографического кредитования
- Лучшие инструменты анализа цепочки блоков
- Гайд Криптоарбитраж: Как заработать новичку
- Лучший инструмент для построения графиков криптовалюты
- Леджер против Трезора
- Какие книги о Биткойне лучше всего?
- Обзор 3Commas
- Обзор биржи AAX | Реферальный код, торговая комиссия, плюсы и минусы
- Обзор Дерибит | Опции, комиссии, API и тестовая сеть
- Обзор криптобиржи FTX
- Обзор NGRAVE ZERO
- Обзор биржи Bybit
- 3Commas против Cryptohopper
- Лучший биткойн-аппаратный кошелек
- Лучший кошелек monero
- Бухгалтерская книга nano s vs x
- Bitsgap vs 3Commas vs Quadency
- Ledger Nano S против Trezor one против Trezor T против Ledger Nano X
- BlockFi vs Celsius vs Hodlnaut
- Обзор Bitsgap - бот для криптовалюты, который делает легкие деньги
- Quadency Review - робот для торговли криптовалютой, созданный для профессионалов
- Обзор PrimeXBT | Торговля с кредитным плечом, комиссия и покрытие
- Обзор Эллипального Титана
- Обзор SecuX Stone
- Обзор BlockFi | Зарабатывайте до 8,6% процентов от своей криптовалюты