Я наблюдательный и полный энтузиазма в Tech. Я замечаю несколько вещей в своей повседневной жизни: то, как письма Google классифицируются как спам и фильтруют их, как они обнаруживают вредоносное ПО, как объектив Google определяет объекты, людей, животных, места, деревья ... предлагает автоматическую пометку друзей после просмотра 2–3 видеороликов на YouTube, способ просмотра большего количества похожих видеороликов, рекомендацию продуктов при покупках в Интернете и виртуальный помощник, распознающий мою речь, а также способ автоматического создания подписей, прогнозирование трафика Google, погоду и еще несколько.
Наконец, я узнал, что за ними стоят некоторые алгоритмы, и машинное обучение состоит из этих алгоритмов.
После этого я изучил историю машинного обучения и то, как концепция машинного обучения вводит ...
Машинное обучение частично основано на модели взаимодействия клеток мозга. Модель была создана в 1949 году Дональдом Хеббом в книге под названием Организация поведения. В книге представлены теории Хебба о возбуждении нейронов и коммуникации между нейронами.
Артур Сэмюэл ввел термин «машинное обучение» в 1959 году и определил его как «область обучения, которая дает компьютерам возможность учиться без явного программирования». Он начинает работать над некоторыми из самых первых программ машинного обучения, сначала создавая программы для игры в шашки.
Позже были внедрены и развиваются персептрон, нейронные сети.
В фоновом процессе есть некоторая математика (статистика), поэтому я раньше называл статистическое обучение теорией.
Но почему мы называем машинное обучение?
Это из-за того, как люди учатся разным вещам; машина также учится различным вещам. мы не говорим машине, что делать, мы обучаем машину тому, как это делать.
Теперь я начал изучать машинное обучение…
- Во-первых, я изучил питон. Используя python, кодировать довольно просто. В первую очередь сосредоточьтесь на NumPy, pandas,
- Начал понимать различные концепции в статистике, линейной алгебре и исчислении.
- Затем начал изучать различные терминологии (функции, метки, модель, набор данных, данные обучения и тестирования, прогнозирование, нормализация…) в ML.
- Наконец, понимание типов машинного обучения, какие алгоритмы использовались в каждом из них и чем они отличаются.
Сначала я реализовал модель линейной регрессии. Я взял некоторые значения x и y, а затем решил на бумаге, математика, лежащая в основе линейной регрессии, была легкой для понимания. Затем я попробовал множественную регрессию, это было немного сложно.
Я прошел ускоренный курс машинного обучения на платформе Google Cloud Platform, он помог мне улучшить свои навыки и укрепил мою уверенность в том, что «Я постараюсь сделать» до «да Я сделал ».
Позже я посетил несколько семинаров, Techmeets, вебинаров и изучил некоторые онлайн-источники, такие как ускоренный курс машинного обучения Google, когнитивный класс Университета Bigdata.
Вначале многие люди хотят строить модели ... больше моделей, да, это хорошо и интересно, но я не строил никаких моделей. На внедрение моделей уходит почти 45 дней.
За эти 45 дней я изучил рабочий процесс алгоритмов, например, что происходит, какие различные операции задействованы, каковы различные параметры и их функции, как алгоритм зависит от различных параметров, математику, лежащую в основе алгоритмов, и так далее…. Это помогло мне на другом уровне.
Дело не в том, как быстро мы учимся, а в том, сколько мы узнаем и насколько эффективно мы над этим работаем.
Продолжайте учиться… Продолжайте расти…
Скоро вернусь с моим опытом «Мой Первый небольшой код для моего первого проекта».
