Так же, как революция ПК, ИИ станет неотъемлемой частью каждой профессии.

Согласно отчету Forbes за 2018 год, 54% сотрудников крупных компаний должны будут повысить квалификацию, чтобы оставаться на работе к 2025 году. В прошлом году 143 тысячи долларов были средней зарплатой инженера по машинному обучению в США.

В 2016 году Сандер Пичаи, генеральный директор Google, написал в блоге, что «последние 10 лет были посвящены созданию мира, ориентированного на мобильные устройства, превратив наши телефоны в пульты дистанционного управления для нашей жизни. Но в следующие 10 лет мы перейдем к миру, в котором прежде всего искусственный интеллект ».

О компьютерной революции много говорили. Когда он появился, многие люди воспротивились, но он пришел быстро и изменил то, как мы работаем. В каждой организации и в каждой отрасли теперь есть компьютеры как неотъемлемая часть рабочего места. Революция искусственного интеллекта будет ударить быстрее и сильнее.

Революция искусственного интеллекта будет ударить быстрее и сильнее.

Чтобы добиться успеха в мире искусственного интеллекта, нужно знать язык, на котором он говорит. Вот 10 терминов, которые очень часто используются в мире машинного обучения.

1) Глубокое обучение

Глубокое обучение происходит благодаря глубоким нейронным сетям. Нейронная сеть состоит из слоев нейронов. Глубокая нейронная сеть - это нейронная сеть с тысячами слоев.

Когда мы говорим о глубоком обучении, мы обязательно говорим о нейронных сетях. Каждый слой нейронной сети изучает все более сложные функции. Более ранние слои изучают простые функции, такие как линии и края, следующий слой может изучать простые формы, такие как квадраты, круги, треугольники и т. Д., Следующий слой может изучать узоры, текстуры и т. Д.

2) контролируемое обучение

Когда данные становятся Йодой для вашей машины, это называется обучением с учителем. В компьютер поступает огромное количество данных, и машина обучается на этих данных. У каждой точки данных есть метка. После обучения распознаванию этикеток машина может взглянуть на новую точку данных и сразу же предсказать, что это за этикетка. Наиболее распространенными алгоритмами, подпадающими под эту категорию, являются линейная регрессия, логистическая регрессия, деревья решений и т. Д.

3) Наборы для обучения, тестирования и проверки

В любом проекте машинного обучения мы разделяем данные на эти 3 части. Самая важная заповедь машинного обучения - Ни в коем случае нельзя трогать набор тестовых данных. После того, как машина обучена, нам нужны новые данные для ее тестирования. Мы не можем протестировать нашу машину на подмножестве данных, на которых она была обучена, потому что машина уже ее видела. С другой стороны, набор проверки используется для настройки параметров нашего алгоритма.

Обучение нейронных сетей - один из самых ресурсоемких процессов. Для тех, кто хочет глубже изучить этот процесс, известный как обратное распространение, посетите эту ссылку.

Мы не можем протестировать нашу машину на подмножестве данных, на которых она была обучена, потому что машина уже ее видела.

4) CNN - сверточные нейронные сети

Это герои приложений для распознавания лиц в мире. В простейшей форме CNN разбирает изображение на самые основные элементы. Например, лицо будет разбито на глаза, нос, уши и т. Д. Цифра 8 будет разбита на 2 круга, цифра 7 - на 2 строки, одна горизонтальная и одна вертикальная с углом и т. Д.

5) Системы рекомендаций

Вот как Amazon и Netflix знают, что вам может понравиться. Эти системы учитывают ваши предпочтения, симпатии, антипатии, прошлую историю, покупки и многое другое, чтобы получить представление о том, чего вы хотели бы в будущем. Думайте о них как о способе чтения ваших мыслей компьютером.

6) Точность и отзыв - номера PR

Акт использования чисел точности и напоминания - это математический способ оценить, насколько полезна наша модель по отношению к рассматриваемой проблеме.

Для более подробного ознакомления с номерами PR прочтите эту статью.

  • Высокая точность и Высокая запоминаемость. Модель прогнозирования очень надежна.
  • Низкая запоминаемость и Высокая точность - это просто означает, что модель очень разборчива. Такие модели нельзя использовать для решения жизненно важных проблем, например обнаружение рака, идентификация террористов, предотвращение несчастных случаев и т. д.
  • Высокий отзыв и Низкая точность - эта модель в конечном итоге создает множество ложных срабатываний. Такие модели не следует использовать в случаях, когда ложные срабатывания дорого обходятся - например, системы летной посадки.

7) Градиентный спуск

Градиентный спуск - это быстрый, итеративный и приближенный метод, цель которого - найти минимум функции. Он перемещается итеративно от начальной точки в направлении наискорейшего спуска. В AI это полезно, поскольку помогает найти наиболее близкое соответствие.

Есть множество других важных терминов. Мы публикуем статьи, исследующие значение различных подобных тем и их применение. AI Graduate - это сообщество ИИ, которое не только имеет открытый исходный код, но и рассматривает его этические и политические аспекты. Каждую пятницу мы публикуем статью о таких упрощенных концепциях искусственного интеллекта. Если вам понравилось это, или у вас есть отзывы или дополнительные вопросы, оставьте комментарий ниже.

Спасибо за чтение!