[Музыка]
приветствую этот обязательный слайд, так что да
задавать вопросы через приложение и скорость
сессия спасибо
мы поговорим о просто машине
обучения и ваших первых шагов в
мир машины, так что если вы уже
вовлекайте машинное обучение, которое вы могли бы
а также уйти, потому что все, что я
говоря вам, что вы уже знаете, поэтому мое имя
Дэйв еще я разработчик Kwinto
kwinto — гибкое консультационное агентство
который специализируется на dotnet в Java, вы
может быть щебетать на моей ручке да
Я отец одного маленького ИИ и
другой один на своем пути скоро так сегодня
мы поговорим об интеллекте
искусственные вызовы машинного обучения
каким образом соотносятся друг с другом , что
методы используются в этой области, как
машинное обучение применяется в повседневной
жизнь раздел и как начать так
как добраться до вас
в конечном итоге
термин — машинное обучение, давайте
быстрое введение машина обучения да
это звучит довольно страшно , никто на самом деле
знает, что это такое, но он очень популярен
в средствах массовой информации, которые вы видите повсюду в
статьи в машинном обучении в газетах
эта машина узнает , как вы
научить водить автомобиль без водителя и т. д. и т. д.
и это также да, вы можете найти его на
Netflix, например, большинство из вас, вероятно,
уже знаете, но когда вы используете, когда
несколько фильмов, таких как Arrested Development it
обычно дает предположение о хорошем
вы видели Арестованную разработку
должен любить Законно Блондинку и Боба
Бюргерса и некоторые другие фильмы он не
просто сделайте эти рекомендации почти
действительно, он основан на хорошем
миллионы и миллионы пользователей
от других учетных записей и использования машины
обучение этим рекомендациям
другим способом, в котором он участвует
в реальной жизни ваш твой
у каждого есть свой, например, ваш Google
помощники вашей катаны, ваша Алекса или
твоя Сири, они все в основном умны
цифровых помощников, способных
распознавания голоса и
разбор простых вопросов, например, кто
сыграл Джеймса Бонда в квантовом утешении
он способен ответить, что это
Даниэль, но он также был способен
Ответ — это то, что он сделал в других фильмах
но это еще более
сложный вопрос для простого факта, что он
требует контекста, поскольку он ссылается на
предыдущие результаты, поэтому он должен знать
каковы были предыдущие результаты
прежде чем он сможет ответить на этот вопрос сейчас
в настоящее время эти цифровые агенты вполне
способные ответить на эти вопросы и
также это из-за большого количества
интеллекта машинного обучения, что
интеллект
хорошо, большинство из вас, ребята, это знают, но это
в основном способность рассуждать
и решения проблем искусственных
интеллект имитирует это через
компьютеров, поэтому компьютер , способный
рассуждения и решения проблем
основная проблема, и она разделена на
несколько фактически довольно много супер мышей
это четыре из них, просто подмножество
например, обработка естественного языка
это способность, которую вы способны
обработки естественного языка
компьютер, и он способен
толкование именно того, что вы говорите
представление знаний будет
проблема, в которой вы должны иметь
компьютер напоминает внутренне
знание определенной проблемы может для
Например, медицинская помощь
иметь внутреннюю модель, из которой
вы можете найти решения и проблемы
автоматическое рассуждение, что означает, что
вы способны придумать новый
решения или письменные решения для
пример для головоломок, а также для комедии
вопросы, например, если вы дома
на работе, и Google, конечно, знает
Google знает, где вы находитесь, и он замечает
также есть Wi-Fi дома используется
хорошо Google должен уметь делать 2d
просмотры хорошо о том , что не должны
случиться, да нет дома
поэтому он должен быть в состоянии предупредить вас и
расскажите об этом, но что
мы собираемся сосредоточиться сегодня
это обучение машинного обучения машинам
это область, где на самом деле
способных создавать собственные решения для
проблемы с короткой историей машины
обучение начнется с
Тьюринга был разработан тест Тьюринга
Алан Тьюринг в 1950 году и способный
это в основном там, где есть оператор
сидя за экраном и разговаривая
на самом деле с кем-то с другой стороны
или экрана, а с другой стороны следует
быть компьютером или человеком, и идея
что компьютер должен быть в состоянии обмануть
человека, полагая, что он
компьютер , если он способен делать это
то каждая часть достаточно умны на самом деле
называть нас разумными и
это то, что я делаю
Конечно, компьютер заслуживает того, чтобы быть
называемый умным, если мог обмануть
человек в вере был человек Oh
В 1952 году у нас уже был первый я
приложение на самом деле наше для сборки
реализовал игровой движок на самом деле AI
который был способен играть в шашки
используя тысячи регистров rheticus
шахматные игры и приложение
учиться на этих играх
хорошо перепрыгнуть пять лет на пять
будущего или фактически почти 20 лет в
в прошлом 1997 году IBM синего цвета победил
Каспаров это было большое дело тогда в
время он дрался хорошо , мы сделали большой
прогресс, но, например, игра Go
что значительно выше сложность это путь
в будущем десятилетия хорошо
еще один большой прорыв на самом деле в
2011 IBM Watson был способен после
победить своих противников под угрозой
угроза — это, в основном, викторина игры
дается ответ, и участник должен
задайте вопрос, который
ответ, и сложность заключается в том, что вы должны
сначала узнайте контекст, который у вас есть
уметь правильно формулировать
предложения, так что все прилагательные- существительные
местоимения вы должны быть
правильно, да, мне нужно знать, что
ты говоришь о
так что это был впечатляющий подвиг
даже тогда ехать было еще очень хорошо
на самом деле это было не в 2016 году большинство из вас
узнайте, как google глубокомысленный победил go go
чемпион lee sedol
и фактически сделал это четыре раза против
один и на самом деле сейчас они уже
вышел на пенсию, но в основном был
прорыв, поскольку в 2015 году их
отец все еще оставался бы на десятилетия
это похоже на то, что летающий автомобиль
для завтрашнего предзаказа это действительно
впечатляет, как быстро я пошел хорошо там
было краткое введение в историю
какой у нас интеллект мы имеем
считали слабый ИИ сильным ИИ
сильный ИИ обычно означает, что у вас есть
искусственный общий
в основном это означает, что у вас есть
интеллект как человеческий уровень вы находитесь
способный рассуждать о нескольких проблемах
доменов, и вы не застряли только
шашки, например, мы на другом конце
действительно действительно конкретна, это означает, что
ИИ в основном способна
выполнение одной задачи, например, шашек
или шахматы в этой игре, так как мы видели в
история ИИ внезапно
большой прогресс был достигнут 45 лет
внезапно без 17 лет или
все изменилось, как это было возможно
ну, во- первых, будут большие данные
у нас сейчас такое большое количество данных
которые были способны на самом деле обучения
эти алгоритмы, которые мы хотим использовать для
AI это было действительно в 1997 году
невообразимое, что будет Google
которые представляют собой склады и склады и
складов компьютеров, хранящих данные
с картинами кошек я не знаю, и мы
иметь большой компьютер, это в основном означает
что у нас есть также большие большие данные
центров вычислительной мощности дешево и
специализированный еще один менее известный факт
фактически все еще продвигающиеся алгоритмы
на самом деле
так что это алгоритмы передачи
что когда я учился в 1999 году
сети были в основном хорошими, но
не представляется возможным в силу того, что
это было медленно, потребовалось много вычислительных ресурсов
мощности и времени для подготовки такой модели
однако в 2006 году этот человек
чье имя я забыл, кто на самом деле
революционизировать часть обучения
механизма в нейронных сетях
возможно фактически использовать нейронные
сети в 2010 году это уже было
излишний , но это дало новый импульс
нейронных сетей и
чтобы фактически использовать их, другой
тот факт, что есть несколько
компании, в настоящее время
машинное обучение бросает большие деньги
против него и действительно
времени и усилий в нем, чтобы эти факторы
комбинированный поэтому ИИ из семи так
давайте просто скажем последние семь лет
действительно действительно сильный возврат
машинное обучение, как машина
обучение отличается от обычного программирования
большинство вы знаете, но в основном машина
это означает, что в обычном
данные года программирования, если вы программируете, если
они едят в компьютер, вы получаете выход
это немного
разные, конечно, у вас есть данные
это определенный результат, который вы ожидаете от
данные и компьютер,
создать программу, которая
проблема для вас, чтобы вы на самом деле не были
делать все , что само по себе, например ,
хорошо, у нас есть яблоко FF, оранжируйте вас
не могут сравниться с яблоками и апельсинами
но это правильно, как бы вы
отличать эти хорошо в первую очередь я
Я бы так подумал, что если бы
это изображение в оттенках серого, которое вы попробуете
текстура
хорошо, если вы добавите бананы хорошо, это
необходимо добавить другое исключение
исключение и т. д., попробуйте французский
в конечном итоге вы получите целую кучу кода
на самом деле я поддерживаю это
никогда не будет полностью
все области фруктов, так что это где
машинное обучение приходит в да, вы тренируетесь
он и она придет с ответом
сама программа, поэтому
машинное обучение у вас есть где
контролируемое обучение с неконтролируемым
обучение когда — либо
у нас есть усиление обучения
полуконтролируемое обучение — это в основном
1/2 решение между контролируемым
обучения и неконтролируемого обучения мы
обсудят каждый из них в
разговорный полет контролировал обучение
так что контролируемое обучение контролировалось
обучение означает, что у вас есть машина
алгоритм обучения, который вы вводите
и продолжать тренировать его на входе
каждый раз, когда вы вводите ввод, он дает
предсказание, а затем вы скажете ,
предсказание метки, например
правильно или неправильно, если это неправильно
была именно эта модель, которую я повторяю
повторяйте его до тех пор, пока ошибка не будет низкой
в конечном счете, вы извлекаете
модель классификатора с этой машины
алгоритм обучения , потому что это то, что
все это положило его в вашу программу и
используйте его, вы даете ввод, он даст
предсказание, так что основные алгоритмы
использовал то, для чего он используется для контролируемых
классификация обучения и регрессия
классификация фактически означает, что давайте
скажем, у вас есть две функции:
на самом деле лучшие аспекты ввода
которые вы хотите обучить
функции 152 и пытается классифицировать
каждый
и регрессии, как правило , у вас есть
поэтому у меня есть значение — вывод
любой, чтобы он оценил, какое значение
это может произойти, если вы дадите ему вход
уточнить это для классификации для
Например, у нас есть набор данных о домах и
мы собираемся классифицировать вид поезда
в классификацию, где что-то
дом дешевый или дом дорог
так как функции ввода мы используем жилую площадь
вы используете цену и дать ему путешествие вы
продолжайте обучение, и каждый
время, которое он скажет, даст дом
сказать, что это дешево, это дорого мы
скажем, теперь ваши пальцы дешевы, но это
опыт — это модель правосудия
в конечном итоге у нас будет модель, которая может
отдельные дома на основе жилой площади
и цена и определить, да , это
дешево, это дорогостоящий регресс на нашей
рука работает немного по-другому, скажем так
у нас есть жилая площадь да и
соответствующие цены я буду продолжать рассказывать
он просто дал данные , что идея
то в конечном итоге она будет иметь функцию
что фактически соответствует жилой площади
с ценой, если и если модель
мы можем дать ему просто жилую площадь и
будет производить для нас цену
оценка ожидаемой цены
гарантированная классификация будет маркировать его
и регрессия попытается оценить
если есть какие-либо вопросы
спросите пожалуйста, хорошо для этой проблемы мы
использовать нейронные сети, как правило, вы можете
это другими способами я не видел, но
вы можете и их сеть основана на
биологический нейрон выглядит
схематически подобный этому вводит иностранец
прийти через дендриты так верхний левый I
пойдет на ожерелье и
он даст сигнал на основе ввода
пищевой аксон на терминалы аксона вполне
основной в информатике вы бы
модель, как это в основном это
все входы каждый вход имеет определенный
вес настолько важен, что
Веса раз вход , чтобы сделать
суммирование шага, а затем
определить, будет ли он выводиться
сигнал и насколько сильный этот сигнал
будет так, что будет активация
функция хорошо сочетает все эти
сетей вы получите что-то вроде
это свободный слоистый нейрон
сети вы получите входной слой у вас есть
выходной слой каждый скрытый слой это
называется скрытый слой , потому что никто
видит скрытый слой, вы видите только вход
и выход как внешний вид, и это
полностью подключены к сети, поэтому каждый
нейрон связан друг с другом никогда
чтобы сделать это немного более четкую I
хотел бы продемонстрировать этот рентгеновский снимок
через что-то называемое
tensorflow охотился площадка всех вас
уже играли с этим или видели
несколько рук хорошо, это действительно хороший инструмент.
дает вам представление о том, как нейронные
сети работают с ним
Я создал спичку здесь, но
давайте просто это очень удобный инструмент для
визуализации, чтобы вы могли определить здесь
хочет ли он классифицировать или регрессировать
для этого ввода мы берем два
координаты каждой точки, так что X 1 X 2
координаты x и y, и мы собираемся
приручить его хорошо не имеют хит
лжецов есть прекрасное разделение, мы не
для этого нужно скрытое преимущество, поэтому давайте сделаем
немного сложнее
это мое, так что у вас есть четыре группы
в основном она здесь
оранжевый здесь синий есть и блюз
давайте попробуем хорошо его обучать .
не собираемся совпадать, так мы добавляем скрытый
слой, посмотрим, что он сделает.
видеть, что внезапно этот приятный цвет вверх
в основном эта цифра линия является
если вес синего цвета
положительный, если оранжевый отрицательный и
этот сине-белый дефицит находится здесь
нейроны в основном являются активацией
функции представления
функция активации в основном, если вы видите
синий здесь означает все, что приходит
в этой области будет положительным и
отдых будет нуль, так что это не собирается
работайте с этим разделением, давайте добавим некоторые
дополнительно и попробуйте снова
так что несколько дополнительных нейронов и вдруг это
способный действительно делить и
классификация выпуска
так что это понятно для всех
в глубоком обучении глубокое обучение на самом деле
означает не более того, что вы используете
нейронной сети, которая является более чем одним lis
Скрытый слой ничего больше, так что это
глубокая глубокая нейронная сеть, потому что
это свободный скрытый слой, это
пример того, как вкратце эти слои
будет представлять каждый способ активации
поэтому предположим, что у вас есть входной уровень
который является изобразите Кашман являются
в категории кошек и собак
влияют на человеческое лицо и
каждый пиксель мы вводим в нерв, так что скажем
есть столешница 18 по 18 пикселям это от меня
не знал бы, сколько много отмечает это
было бы много во внутреннем слое
мы получаем на самом деле края первой затем
позже вы увидите, что это
сочетание краев, так что глаза носа
после этого в более поздней жизни позже вы видите
объектные модели выглядят неплохо
также будет в сети, вы также можете найти
исходная модель модели исключения
является эффективной моделью
предварительно обученная модель Fisher от прохладного, что
они выпустили это может просто использовать игру
вокруг с это довольно осложнили
сама модель , это большая, и они также
сделал проект кому-то из Google
начало, которое на самом деле показало вам
показывает фактически все слои и показывает
вы, как это будет выглядеть, как мы только что показали
раньше в реальной нейронной сети, поэтому это
будет на первом уровне
сепараторы, и если мы посмотрим на результат
после первого слоя я не знаю, где
вы можете видеть, но это в основном тепло
карта того, что подсвечено собакой
что вы видели ранее
по краям, чтобы вы могли видеть
вот форма собаки здесь да
интересно посмотреть, что я предлагаю
рекомендовать то , что , глядя на по пути
это ноутбук Python, многие из вас
вероятно, слышал это в предыдущем
сессии об этом я бы действительно
рекомендуем использовать его, потому что вы, возможно,
вы умный знак или что-то такое
в основном тот же принцип, который вы можете
просто напишите текст, помещенный в код, который вы можете
повторное использование позже объясняется, что оно получает
отображается и его исполняемый файл продолжается, поэтому
существует не только одна нейронная сеть
архитектуры есть немало
из нейронной сети вы и это
также показывает , что вы действительно должны
подумайте, какой архитектор вы
будет решать , хотите ли вы построить
вашей собственной нейронной сети, чтобы
несколько рамок, которые уже предоставляют
обученные модели через поезд API
в то время как некоторые через API — это некоторые не
например , Google Cloud machine
механизм обучения IBM Watson
узнав, что это плод bluemix мой
товарищеская машина, изучающая недавно яблоко
также введено вокруг машинного обучения
для в приложениях кафетерии
имеет целый модельный зоопарк, который можно скачать
и использовать, но для первого на самом деле
предоставить api city можно напрямую с помощью
приложение IBM watson было , кстати,
субпродукт IBM Watson, конечно , после того, как
в день , когда они подвергались опасности, у них была
очень хороший ответ на вопрос вопрос
ответа, но также
всей партии и дал профили api
для общественности, так что у них есть
рыбалка api Oh
API распознавания голоса хорошо то же самое
для Google Cloud и всех других, кроме
это очень хорошо, что вы можете играть, например
для google вы можете поиграть с
рыбалка api, вы можете просто просто позволить просто
возьмите мою дочь, например, это очень
приятно, так что вы можете просто
загрузите подсказку и обнаружите
на самом деле все давайте покажем вам это
скажу, что она опрятна, я понятия не имею
что ее эмоции не входят в Сору
никакой гнев не удивлен, она как онемевшая
очевидно, да, она
по-видимому, кожа детского ребенка
и по какой-то причине Google думает, что это день
хотя большинство из вас, вероятно,
ночь внутри света, так что это очень приятно
вы можете просто получить учетную запись бесплатно
это очень интересно играть с
и вы можете просто вызвать REST API
из ваших программ
хорошо, что контролировали обучение
неконтролируемое обучение там в основном
означает противоположность контролируемой
естественно, что это означает
в основном у меня есть куча данных, которые у меня нет
Идея, как структура это может быть я
есть алгоритм машинного обучения, я просто
дать ему алгоритм и сказать, что ты
попытайтесь разобраться в этом, я вернусь
позже и после того, как вы это сделали,
иметь классификаторную модель, которую он может дать
вход, и мы дадим вам более или менее
где он ожидает , что ваш вклад принадлежать
поэтому они в основном являются свободными алгоритмами, которые
используются для этой кластеризации, когда вы
попытались найти подобные случаи, чтобы эти
являются экземплярами, которые были бы особенностью
показали аспекты, которые вы вложили в него и
вот она в порядке эти свободные экземпляры
имеют те же функции, что и
взаимное обнаружение аномалий
хорошо все здесь было бы белым и
есть только одна запись, которая
полностью отличается от остальных
Обнаружение ассоциации, когда и когда
вы в основном видите хорошо, например, эти
бесплатные экземпляры имеют функцию из
второй столбец, но они также имеют все
функции из четвертой колонки хорошо
пример из практики будет, скажем так,
от еды интернет — магазина , и вы заметите ,
каждый, кто покупает
булочки и салат также, кажется, покупают гамбургеры
там будет открытие Ассоциации
когда кто-то купит продать его и булочки да
могут быть некоторые гамбургеры, действующие для
кластеризация, кстати, означает, что
вы не изменяете набор данных, или вы
не группируйте его, но в основном вы
попытайтесь найти, где расположены кластеры
это в основном пример k-средств
кластеризация означает, что у вас есть перед вами
начать вам сказать , хорошо я хочу найти
три кластера
это K бесплатно, и я собираюсь начать с
Я просто указываю здесь и там
и тогда мы попытаемся сдвинуть
эти средние точки кластеров
центра точек кластеров до тех пор, пока
расстояния точек минимизируются и
продолжайте повторять, пока не будет
изменения сохраняют смещение средних точек
те эти наклоны нашли лучшие
решение для свободных кластеров — недостаток
вы должны знать, что это бесплатно
кластеров заранее , это немного
— Ну, мы тоже сделали это quinta слишком
мы предлагаем продукты
профиль клиента, поэтому мы также сделали
кластеризация базовой категории
почтовый индекс, и в конечном итоге мы были
способный фактически производить продукт
предложения, основанные на том, что они были
так как, например,
вероятность 0 90% того, что продукт
ID 11 807, который представляет собой комплект для сверления SES plus
следует рекомендовать
так хорошо, что контролировали обучение
с неконтролируемым обучением, и теперь это
усиление, изучающее, что
Укрепление обучения , когда вы
имеют алгоритм, который они могут выполнять
некоторые действия, например игра, вы можете
иди налево
вы не можете пойти правильно, может быть, каждый
действие оказывает влияние на мир и как
возвращение вы получаете вознаграждение, увеличивающееся
оценка, например , и получить новый статус
вы переехали прямо, вы о том же
положение, в котором вы были
Хороший пример — на самом деле эта игра.
кирпич, который большинство из вас знает ,
это игра Atari, и это было на самом деле
используемые глубоким умом, прежде чем они
тренировать свои модели с помощью арматуры
Изучение это также одна из причин
Google дно, как это, так здорово
да, хорошо, так что в основном они просто взяли два
фото или социальный крик его вклада и
это все, что было введено для
не модель ничего другого просто оценка и
пикселей, и он знал, что он должен был
делать влево или вправо , но хорошо он начинает
учебные протоколы обучения
Лесли сосет, так что вы видите человека
иногда он ударил мяч по
совпадение, но да, это не очень
опытный, но после двух часов игры
как эксперт, поэтому у него не было проблем, поэтому
он очень хорош, у меня были бы проблемы
избивать его
да, изменение вознаграждения в основном
модель основана на этом марковском решении
процесс, и я вернусь к этому в
второй после двух часов на самом деле
что-то особенное происходит, он узнает
что есть еще лучший способ забить
в основном туннелирование, которое было
через секунду, так что это очень хорошо, поэтому
Да, в основном кто-то да, он обновляет
эта модель в основном благодаря вознаграждениям
он получает такую попытку игры в игру
игра в игру, и он принимает решение
дерево в основном и каждое решение он
делает определенную вероятность для
определенная награда, и она пытается сохранить
обновляя его на основе опыта и
в конце концов, это довольно хорошо
deepmind для всех видов игр Atari
и фактически показал это как в основном
возможность для общего интеллекта
есть тот факт , что не было
знания предметной области ранее участвовавшая его
был способен решить несколько феи
звезды для всех видов игр Atari, но
есть также, да, вы могли бы сказать, что это
подмножество обучения усилению
это чаще всего называется генетическими алгоритмами, если
вы слышали об этом в основном это
Разве это не немного
здесь вы берете одну модель и сохраняете
обучение генетическому алгоритму
немного отличается, есть хорошая
пример в интернете не этот
Интересно, как он тренировался
во всяком случае, это пример для генетических
алгоритм Уокер в основном хорошо это делает
каждое поколение, которое он заморозил, имело 10 моделей
основывается на том, как далеко кто-то может получить
поэтому сколько вознаграждения он получает в одной модели
один из них определяет, кто живет и умирает
и кто может воспроизводить так, например
Я настроил это из чемпионов
скопировать , если вы видите его там так только
если
вы выигрываете игру в первых двух
позиции вы просто переходите к следующему
круглые , а остальные либо получить
убиты или пересекаются
поэтому в основном свойства от одного моля
будут сочетаться с культурами с другими
модели и , таким образом , оптимизировать или сделать это в
хуже хуже, и каждый раз, когда вы
продолжать идти дальше и дальше и дальше , а затем
отслеживать оптимальные оценки, так что
существует множество алгоритмов выбора
из-за этого очень важно иметь
понять, что вы хотите решить, как вы
хотят решить и то , что вам нужно
разрешите его так, как оно применяется в
повседневной жизни, вы можете видеть
уже запущено несколько приложений
с ним, где прогноз для Амстердама
есть система фильтрации, которая
на самом деле может предсказать , будет ли или нет
что-то собирается заполнить или что-то
требует внимания автоматического перевода так
это на самом деле несколько проблем в
один, так что вы имеете распознавание изображений
Дейв в переводе они должны быть хорошо
мы показываем, что перевод на изображение
снова так, и это на самом деле рак
обнаружение на очень низком уровне
определение вероятности того, что
что-то может быть неуместным спамом
фильтры, конечно , и тест блокировки автомобиля так
как бы вы начали, так что я собираюсь
быть очень коротким, но есть в основном два
способы начать, он просто используется для предварительного
модели поездов, такие как API для рыбалки, я просто
покажите, просто используйте его в своем приложении и
хорошо не изобретать колесо для простых
факты, да, есть люди там
это сделало это вам и вам, вероятно,
не собираются делать это намного лучше, так как
Я уже упоминал, что есть Google
Облако ml microfiche IBM bluemix или и т. Д.
и т. д., или вы можете создавать свои собственные и настраивать
с вашим собственным, но
то я бы предложил сначала изучить
Python да, вы можете использовать большинство библиотек
с Java Scala Мне нравятся те, но
в основном наука о данных и машина
все области обучения — это Python, поэтому
каждый пример, который вы увидите, — укус и
каждый ноутбук вы будете видеть подсмотрел это на
в начале просто изучите Python и если
вам достаточно комфортно с
все возможно, тогда перейдем к другому
еще один язык в субтитре
действительно установите его и попробуйте онлайн- парней
там их много , они очень хорошо
и вы будете дураком, если не используете его
например, машинное обучение
библиотеки, которые вы могли бы использовать, если хотите
сделать это самостоятельно — тензор
на самом деле TF узнать или факел Кара, который
новее
Tianna peyten глубокое обучение для J’s
кто-то это сделал
Java и кашель его для ввода несколько
другие, но это записки для тех
которые действительно задаются вопросом, что десять
поток в основе не основан на графике
так что библиотеки
в дополнение к обучению в технической поддержке
но по существу является основанной на графике
расчетная структура, которая оптимизирует
для распараллеливания и других вещей
как работает на процессоре, держите GPU
параллелизация или несколько процессов и т. д.
ну и не было, если кто-нибудь видел разговор
вчера о анализе данных да
это очень важный аспект
все, что вы хотите решить проблему I
не нашел то, что вы хотите решить
пример с данными о жилье да, что
вы хотите решить, действительно ли вы хотите
знать цены или просто вы не хотите
знать, насколько дорого дорого или
дешево, поэтому вам нужно настроить данные как
Что ж
очистить фильтр и настроить его
где мне нужно, вам нужно посмотреть на
большая картина в основном то, что собирается
прежде чем и что произойдет после вашего
машина
поэтому причина, по которой я предсказываю жилье
цены не потому, что вы такой фанат
обычно мы обычно обычно
это потому , что есть еще один процесс
после того, как вы действительно нуждаетесь в этом
информация хорошо третья точка проверить ваш
предположения, потому что у вас есть
они обычно ошибаются и визуализируются
снова в пироге на блокнот, если у вас есть
модель формы ID, если у вас есть идея
как данные говорят, что вы делаете, если думаете
ваше машинное обучение должно работать
визуализировать его
визуализировать каждый шаг, чтобы увидеть, как он выводится
не помещайте это в свое приложение на
как только я увижу будущее ИИ
довольно быстро за последние несколько лет
быстрый, что невообразимо для
Например, это полицейский агент —
к 2030 году Дубай намерен иметь I
считают, что 50% полицейских сил заменено
эти вещи
однако это не более чем прогулка
киоск в тот момент, с другой стороны, мы
имеют Boston Dynamics, которая на самом деле
военный экс-военный контракт от
Google, и это не шутки и
еще одна вещь о том, что Google недавно
выпустил его, например, две газеты
относительно
реляционных сетей, поэтому они являются специальными
сети, которые хотят, чтобы мы подключили мяч в
заказ
нейронных сетей, которые мы хотим использовать для
ответьте на вопрос, как будто это крошечный
резиновый палец имеет тот же цвет, что и
большой цилиндр, какая форма
крошечные резиновые ножки того же цвета
большая вещь, поэтому для нас это уже несколько
шаги и фактически они доказывают, что они
были способны ответить на этот вопрос
с чем-то лучше человеческого мастерства
так что да, мы не можем ожидать намного больше
в ближайшем будущем
в связи с этим, вот некоторые ресурсы
также, что вы действительно должны проверить I
действительно предложит посмотреть еще один
одна хорошая практическая на самом деле эта
или реальный чужой нуль
Я, вероятно, произнес это неправильно, но II
написал целую книгу, положил все это
эти ноутбуки онлайн на
дать вам действительно хорошее введение в
данные науки сторона ребенок имеет тенденцию течь все
эти вещи потребуют времени, но извините
это также книга О’Рейли, которую он опубликовал
книга Райли, да, сторонник, которого я не
знаю, помню танк да, я не знаю
что он сказал введение, но в основном
да, я могу сказать, что поток этот большой толстый
это хорошо читать нет да и слайды
действительно представляют эту книгу так
это действительно важно посмотреть на
это, если вы хотите, чтобы это были некоторые другие
разные источники
например, исследования для всех видов
изображений и вычислений в основном для
проверить, насколько хорошо ваше распознавание лица
незрелый канадец-иш открытого AI является
продвижение платформы с открытой платформой, и они
также есть тренажерный зал под открытым небом для соревнований
для нескольких проблем и что я просто
показал, что вы — генетический алгоритм
ходунки, которые в основном просты
генетическое удовольствие любые вопросы
приветствую этот обязательный слайд, так что да
задавать вопросы через приложение и скорость
сессия спасибо
мы поговорим о просто машине
обучения и ваших первых шагов в
мир машины, так что если вы уже
вовлекайте машинное обучение, которое вы могли бы
а также уйти, потому что все, что я
говоря вам, что вы уже знаете, поэтому мое имя
Дэйв еще я разработчик Kwinto
kwinto — гибкое консультационное агентство
который специализируется на dotnet в Java, вы
может быть щебетать на моей ручке да
Я отец одного маленького ИИ и
другой один на своем пути скоро так сегодня
мы поговорим об интеллекте
искусственные вызовы машинного обучения
каким образом соотносятся друг с другом , что
методы используются в этой области, как
машинное обучение применяется в повседневной
жизнь раздел и как начать так
как добраться до вас
в конечном итоге
термин — машинное обучение, давайте
быстрое введение машина обучения да
это звучит довольно страшно , никто на самом деле
знает, что это такое, но он очень популярен
в средствах массовой информации, которые вы видите повсюду в
статьи в машинном обучении в газетах
эта машина узнает , как вы
научить водить автомобиль без водителя и т. д. и т. д.
и это также да, вы можете найти его на
Netflix, например, большинство из вас, вероятно,
уже знаете, но когда вы используете, когда
несколько фильмов, таких как Arrested Development it
обычно дает предположение о хорошем
вы видели Арестованную разработку
должен любить Законно Блондинку и Боба
Бюргерса и некоторые другие фильмы он не
просто сделайте эти рекомендации почти
действительно, он основан на хорошем
миллионы и миллионы пользователей
от других учетных записей и использования машины
обучение этим рекомендациям
другим способом, в котором он участвует
в реальной жизни ваш твой
у каждого есть свой, например, ваш Google
помощники вашей катаны, ваша Алекса или
твоя Сири, они все в основном умны
цифровых помощников, способных
распознавания голоса и
разбор простых вопросов, например, кто
сыграл Джеймса Бонда в квантовом утешении
он способен ответить, что это
Даниэль, но он также был способен
Ответ — это то, что он сделал в других фильмах
но это еще более
сложный вопрос для простого факта, что он
требует контекста, поскольку он ссылается на
предыдущие результаты, поэтому он должен знать
каковы были предыдущие результаты
прежде чем он сможет ответить на этот вопрос сейчас
в настоящее время эти цифровые агенты вполне
способные ответить на эти вопросы и
также это из-за большого количества
интеллекта машинного обучения, что
интеллект
хорошо, большинство из вас, ребята, это знают, но это
в основном способность рассуждать
и решения проблем искусственных
интеллект имитирует это через
компьютеров, поэтому компьютер , способный
рассуждения и решения проблем
основная проблема, и она разделена на
несколько фактически довольно много супер мышей
это четыре из них, просто подмножество
например, обработка естественного языка
это способность, которую вы способны
обработки естественного языка
компьютер, и он способен
толкование именно того, что вы говорите
представление знаний будет
проблема, в которой вы должны иметь
компьютер напоминает внутренне
знание определенной проблемы может для
Например, медицинская помощь
иметь внутреннюю модель, из которой
вы можете найти решения и проблемы
автоматическое рассуждение, что означает, что
вы способны придумать новый
решения или письменные решения для
пример для головоломок, а также для комедии
вопросы, например, если вы дома
на работе, и Google, конечно, знает
Google знает, где вы находитесь, и он замечает
также есть Wi-Fi дома используется
хорошо Google должен уметь делать 2d
просмотры хорошо о том , что не должны
случиться, да нет дома
поэтому он должен быть в состоянии предупредить вас и
расскажите об этом, но что
мы собираемся сосредоточиться сегодня
это обучение машинного обучения машинам
это область, где на самом деле
способных создавать собственные решения для
проблемы с короткой историей машины
обучение начнется с
Тьюринга был разработан тест Тьюринга
Алан Тьюринг в 1950 году и способный
это в основном там, где есть оператор
сидя за экраном и разговаривая
на самом деле с кем-то с другой стороны
или экрана, а с другой стороны следует
быть компьютером или человеком, и идея
что компьютер должен быть в состоянии обмануть
человека, полагая, что он
компьютер , если он способен делать это
то каждая часть достаточно умны на самом деле
называть нас разумными и
это то, что я делаю
Конечно, компьютер заслуживает того, чтобы быть
называемый умным, если мог обмануть
человек в вере был человек Oh
В 1952 году у нас уже был первый я
приложение на самом деле наше для сборки
реализовал игровой движок на самом деле AI
который был способен играть в шашки
используя тысячи регистров rheticus
шахматные игры и приложение
учиться на этих играх
хорошо перепрыгнуть пять лет на пять
будущего или фактически почти 20 лет в
в прошлом 1997 году IBM синего цвета победил
Каспаров это было большое дело тогда в
время он дрался хорошо , мы сделали большой
прогресс, но, например, игра Go
что значительно выше сложность это путь
в будущем десятилетия хорошо
еще один большой прорыв на самом деле в
2011 IBM Watson был способен после
победить своих противников под угрозой
угроза — это, в основном, викторина игры
дается ответ, и участник должен
задайте вопрос, который
ответ, и сложность заключается в том, что вы должны
сначала узнайте контекст, который у вас есть
уметь правильно формулировать
предложения, так что все прилагательные- существительные
местоимения вы должны быть
правильно, да, мне нужно знать, что
ты говоришь о
так что это был впечатляющий подвиг
даже тогда ехать было еще очень хорошо
на самом деле это было не в 2016 году большинство из вас
узнайте, как google глубокомысленный победил go go
чемпион lee sedol
и фактически сделал это четыре раза против
один и на самом деле сейчас они уже
вышел на пенсию, но в основном был
прорыв, поскольку в 2015 году их
отец все еще оставался бы на десятилетия
это похоже на то, что летающий автомобиль
для завтрашнего предзаказа это действительно
впечатляет, как быстро я пошел хорошо там
было краткое введение в историю
какой у нас интеллект мы имеем
считали слабый ИИ сильным ИИ
сильный ИИ обычно означает, что у вас есть
искусственный общий
в основном это означает, что у вас есть
интеллект как человеческий уровень вы находитесь
способный рассуждать о нескольких проблемах
доменов, и вы не застряли только
шашки, например, мы на другом конце
действительно действительно конкретна, это означает, что
ИИ в основном способна
выполнение одной задачи, например, шашек
или шахматы в этой игре, так как мы видели в
история ИИ внезапно
большой прогресс был достигнут 45 лет
внезапно без 17 лет или
все изменилось, как это было возможно
ну, во- первых, будут большие данные
у нас сейчас такое большое количество данных
которые были способны на самом деле обучения
эти алгоритмы, которые мы хотим использовать для
AI это было действительно в 1997 году
невообразимое, что будет Google
которые представляют собой склады и склады и
складов компьютеров, хранящих данные
с картинами кошек я не знаю, и мы
иметь большой компьютер, это в основном означает
что у нас есть также большие большие данные
центров вычислительной мощности дешево и
специализированный еще один менее известный факт
фактически все еще продвигающиеся алгоритмы
на самом деле
так что это алгоритмы передачи
что когда я учился в 1999 году
сети были в основном хорошими, но
не представляется возможным в силу того, что
это было медленно, потребовалось много вычислительных ресурсов
мощности и времени для подготовки такой модели
однако в 2006 году этот человек
чье имя я забыл, кто на самом деле
революционизировать часть обучения
механизма в нейронных сетях
возможно фактически использовать нейронные
сети в 2010 году это уже было
излишний , но это дало новый импульс
нейронных сетей и
чтобы фактически использовать их, другой
тот факт, что есть несколько
компании, в настоящее время
машинное обучение бросает большие деньги
против него и действительно
времени и усилий в нем, чтобы эти факторы
комбинированный поэтому ИИ из семи так
давайте просто скажем последние семь лет
действительно действительно сильный возврат
машинное обучение, как машина
обучение отличается от обычного программирования
большинство вы знаете, но в основном машина
это означает, что в обычном
данные года программирования, если вы программируете, если
они едят в компьютер, вы получаете выход
это немного
разные, конечно, у вас есть данные
это определенный результат, который вы ожидаете от
данные и компьютер,
создать программу, которая
проблема для вас, чтобы вы на самом деле не были
делать все , что само по себе, например ,
хорошо, у нас есть яблоко FF, оранжируйте вас
не могут сравниться с яблоками и апельсинами
но это правильно, как бы вы
отличать эти хорошо в первую очередь я
Я бы так подумал, что если бы
это изображение в оттенках серого, которое вы попробуете
текстура
хорошо, если вы добавите бананы хорошо, это
необходимо добавить другое исключение
исключение и т. д., попробуйте французский
в конечном итоге вы получите целую кучу кода
на самом деле я поддерживаю это
никогда не будет полностью
все области фруктов, так что это где
машинное обучение приходит в да, вы тренируетесь
он и она придет с ответом
сама программа, поэтому
машинное обучение у вас есть где
контролируемое обучение с неконтролируемым
обучение когда — либо
у нас есть усиление обучения
полуконтролируемое обучение — это в основном
1/2 решение между контролируемым
обучения и неконтролируемого обучения мы
обсудят каждый из них в
разговорный полет контролировал обучение
так что контролируемое обучение контролировалось
обучение означает, что у вас есть машина
алгоритм обучения, который вы вводите
и продолжать тренировать его на входе
каждый раз, когда вы вводите ввод, он дает
предсказание, а затем вы скажете ,
предсказание метки, например
правильно или неправильно, если это неправильно
была именно эта модель, которую я повторяю
повторяйте его до тех пор, пока ошибка не будет низкой
в конечном счете, вы извлекаете
модель классификатора с этой машины
алгоритм обучения , потому что это то, что
все это положило его в вашу программу и
используйте его, вы даете ввод, он даст
предсказание, так что основные алгоритмы
использовал то, для чего он используется для контролируемых
классификация обучения и регрессия
классификация фактически означает, что давайте
скажем, у вас есть две функции:
на самом деле лучшие аспекты ввода
которые вы хотите обучить
функции 152 и пытается классифицировать
каждый
и регрессии, как правило , у вас есть
поэтому у меня есть значение — вывод
любой, чтобы он оценил, какое значение
это может произойти, если вы дадите ему вход
уточнить это для классификации для
Например, у нас есть набор данных о домах и
мы собираемся классифицировать вид поезда
в классификацию, где что-то
дом дешевый или дом дорог
так как функции ввода мы используем жилую площадь
вы используете цену и дать ему путешествие вы
продолжайте обучение, и каждый
время, которое он скажет, даст дом
сказать, что это дешево, это дорого мы
скажем, теперь ваши пальцы дешевы, но это
опыт — это модель правосудия
в конечном итоге у нас будет модель, которая может
отдельные дома на основе жилой площади
и цена и определить, да , это
дешево, это дорогостоящий регресс на нашей
рука работает немного по-другому, скажем так
у нас есть жилая площадь да и
соответствующие цены я буду продолжать рассказывать
он просто дал данные , что идея
то в конечном итоге она будет иметь функцию
что фактически соответствует жилой площади
с ценой, если и если модель
мы можем дать ему просто жилую площадь и
будет производить для нас цену
оценка ожидаемой цены
гарантированная классификация будет маркировать его
и регрессия попытается оценить
если есть какие-либо вопросы
спросите пожалуйста, хорошо для этой проблемы мы
использовать нейронные сети, как правило, вы можете
это другими способами я не видел, но
вы можете и их сеть основана на
биологический нейрон выглядит
схематически подобный этому вводит иностранец
прийти через дендриты так верхний левый I
пойдет на ожерелье и
он даст сигнал на основе ввода
пищевой аксон на терминалы аксона вполне
основной в информатике вы бы
модель, как это в основном это
все входы каждый вход имеет определенный
вес настолько важен, что
Веса раз вход , чтобы сделать
суммирование шага, а затем
определить, будет ли он выводиться
сигнал и насколько сильный этот сигнал
будет так, что будет активация
функция хорошо сочетает все эти
сетей вы получите что-то вроде
это свободный слоистый нейрон
сети вы получите входной слой у вас есть
выходной слой каждый скрытый слой это
называется скрытый слой , потому что никто
видит скрытый слой, вы видите только вход
и выход как внешний вид, и это
полностью подключены к сети, поэтому каждый
нейрон связан друг с другом никогда
чтобы сделать это немного более четкую I
хотел бы продемонстрировать этот рентгеновский снимок
через что-то называемое
tensorflow охотился площадка всех вас
уже играли с этим или видели
несколько рук хорошо, это действительно хороший инструмент.
дает вам представление о том, как нейронные
сети работают с ним
Я создал спичку здесь, но
давайте просто это очень удобный инструмент для
визуализации, чтобы вы могли определить здесь
хочет ли он классифицировать или регрессировать
для этого ввода мы берем два
координаты каждой точки, так что X 1 X 2
координаты x и y, и мы собираемся
приручить его хорошо не имеют хит
лжецов есть прекрасное разделение, мы не
для этого нужно скрытое преимущество, поэтому давайте сделаем
немного сложнее
это мое, так что у вас есть четыре группы
в основном она здесь
оранжевый здесь синий есть и блюз
давайте попробуем хорошо его обучать .
не собираемся совпадать, так мы добавляем скрытый
слой, посмотрим, что он сделает.
видеть, что внезапно этот приятный цвет вверх
в основном эта цифра линия является
если вес синего цвета
положительный, если оранжевый отрицательный и
этот сине-белый дефицит находится здесь
нейроны в основном являются активацией
функции представления
функция активации в основном, если вы видите
синий здесь означает все, что приходит
в этой области будет положительным и
отдых будет нуль, так что это не собирается
работайте с этим разделением, давайте добавим некоторые
дополнительно и попробуйте снова
так что несколько дополнительных нейронов и вдруг это
способный действительно делить и
классификация выпуска
так что это понятно для всех
в глубоком обучении глубокое обучение на самом деле
означает не более того, что вы используете
нейронной сети, которая является более чем одним lis
Скрытый слой ничего больше, так что это
глубокая глубокая нейронная сеть, потому что
это свободный скрытый слой, это
пример того, как вкратце эти слои
будет представлять каждый способ активации
поэтому предположим, что у вас есть входной уровень
который является изобразите Кашман являются
в категории кошек и собак
влияют на человеческое лицо и
каждый пиксель мы вводим в нерв, так что скажем
есть столешница 18 по 18 пикселям это от меня
не знал бы, сколько много отмечает это
было бы много во внутреннем слое
мы получаем на самом деле края первой затем
позже вы увидите, что это
сочетание краев, так что глаза носа
после этого в более поздней жизни позже вы видите
объектные модели выглядят неплохо
также будет в сети, вы также можете найти
исходная модель модели исключения
является эффективной моделью
предварительно обученная модель Fisher от прохладного, что
они выпустили это может просто использовать игру
вокруг с это довольно осложнили
сама модель , это большая, и они также
сделал проект кому-то из Google
начало, которое на самом деле показало вам
показывает фактически все слои и показывает
вы, как это будет выглядеть, как мы только что показали
раньше в реальной нейронной сети, поэтому это
будет на первом уровне
сепараторы, и если мы посмотрим на результат
после первого слоя я не знаю, где
вы можете видеть, но это в основном тепло
карта того, что подсвечено собакой
что вы видели ранее
по краям, чтобы вы могли видеть
вот форма собаки здесь да
интересно посмотреть, что я предлагаю
рекомендовать то , что , глядя на по пути
это ноутбук Python, многие из вас
вероятно, слышал это в предыдущем
сессии об этом я бы действительно
рекомендуем использовать его, потому что вы, возможно,
вы умный знак или что-то такое
в основном тот же принцип, который вы можете
просто напишите текст, помещенный в код, который вы можете
повторное использование позже объясняется, что оно получает
отображается и его исполняемый файл продолжается, поэтому
существует не только одна нейронная сеть
архитектуры есть немало
из нейронной сети вы и это
также показывает , что вы действительно должны
подумайте, какой архитектор вы
будет решать , хотите ли вы построить
вашей собственной нейронной сети, чтобы
несколько рамок, которые уже предоставляют
обученные модели через поезд API
в то время как некоторые через API — это некоторые не
например , Google Cloud machine
механизм обучения IBM Watson
узнав, что это плод bluemix мой
товарищеская машина, изучающая недавно яблоко
также введено вокруг машинного обучения
для в приложениях кафетерии
имеет целый модельный зоопарк, который можно скачать
и использовать, но для первого на самом деле
предоставить api city можно напрямую с помощью
приложение IBM watson было , кстати,
субпродукт IBM Watson, конечно , после того, как
в день , когда они подвергались опасности, у них была
очень хороший ответ на вопрос вопрос
ответа, но также
всей партии и дал профили api
для общественности, так что у них есть
рыбалка api Oh
API распознавания голоса хорошо то же самое
для Google Cloud и всех других, кроме
это очень хорошо, что вы можете играть, например
для google вы можете поиграть с
рыбалка api, вы можете просто просто позволить просто
возьмите мою дочь, например, это очень
приятно, так что вы можете просто
загрузите подсказку и обнаружите
на самом деле все давайте покажем вам это
скажу, что она опрятна, я понятия не имею
что ее эмоции не входят в Сору
никакой гнев не удивлен, она как онемевшая
очевидно, да, она
по-видимому, кожа детского ребенка
и по какой-то причине Google думает, что это день
хотя большинство из вас, вероятно,
ночь внутри света, так что это очень приятно
вы можете просто получить учетную запись бесплатно
это очень интересно играть с
и вы можете просто вызвать REST API
из ваших программ
хорошо, что контролировали обучение
неконтролируемое обучение там в основном
означает противоположность контролируемой
естественно, что это означает
в основном у меня есть куча данных, которые у меня нет
Идея, как структура это может быть я
есть алгоритм машинного обучения, я просто
дать ему алгоритм и сказать, что ты
попытайтесь разобраться в этом, я вернусь
позже и после того, как вы это сделали,
иметь классификаторную модель, которую он может дать
вход, и мы дадим вам более или менее
где он ожидает , что ваш вклад принадлежать
поэтому они в основном являются свободными алгоритмами, которые
используются для этой кластеризации, когда вы
попытались найти подобные случаи, чтобы эти
являются экземплярами, которые были бы особенностью
показали аспекты, которые вы вложили в него и
вот она в порядке эти свободные экземпляры
имеют те же функции, что и
взаимное обнаружение аномалий
хорошо все здесь было бы белым и
есть только одна запись, которая
полностью отличается от остальных
Обнаружение ассоциации, когда и когда
вы в основном видите хорошо, например, эти
бесплатные экземпляры имеют функцию из
второй столбец, но они также имеют все
функции из четвертой колонки хорошо
пример из практики будет, скажем так,
от еды интернет — магазина , и вы заметите ,
каждый, кто покупает
булочки и салат также, кажется, покупают гамбургеры
там будет открытие Ассоциации
когда кто-то купит продать его и булочки да
могут быть некоторые гамбургеры, действующие для
кластеризация, кстати, означает, что
вы не изменяете набор данных, или вы
не группируйте его, но в основном вы
попытайтесь найти, где расположены кластеры
это в основном пример k-средств
кластеризация означает, что у вас есть перед вами
начать вам сказать , хорошо я хочу найти
три кластера
это K бесплатно, и я собираюсь начать с
Я просто указываю здесь и там
и тогда мы попытаемся сдвинуть
эти средние точки кластеров
центра точек кластеров до тех пор, пока
расстояния точек минимизируются и
продолжайте повторять, пока не будет
изменения сохраняют смещение средних точек
те эти наклоны нашли лучшие
решение для свободных кластеров — недостаток
вы должны знать, что это бесплатно
кластеров заранее , это немного
— Ну, мы тоже сделали это quinta слишком
мы предлагаем продукты
профиль клиента, поэтому мы также сделали
кластеризация базовой категории
почтовый индекс, и в конечном итоге мы были
способный фактически производить продукт
предложения, основанные на том, что они были
так как, например,
вероятность 0 90% того, что продукт
ID 11 807, который представляет собой комплект для сверления SES plus
следует рекомендовать
так хорошо, что контролировали обучение
с неконтролируемым обучением, и теперь это
усиление, изучающее, что
Укрепление обучения , когда вы
имеют алгоритм, который они могут выполнять
некоторые действия, например игра, вы можете
иди налево
вы не можете пойти правильно, может быть, каждый
действие оказывает влияние на мир и как
возвращение вы получаете вознаграждение, увеличивающееся
оценка, например , и получить новый статус
вы переехали прямо, вы о том же
положение, в котором вы были
Хороший пример — на самом деле эта игра.
кирпич, который большинство из вас знает ,
это игра Atari, и это было на самом деле
используемые глубоким умом, прежде чем они
тренировать свои модели с помощью арматуры
Изучение это также одна из причин
Google дно, как это, так здорово
да, хорошо, так что в основном они просто взяли два
фото или социальный крик его вклада и
это все, что было введено для
не модель ничего другого просто оценка и
пикселей, и он знал, что он должен был
делать влево или вправо , но хорошо он начинает
учебные протоколы обучения
Лесли сосет, так что вы видите человека
иногда он ударил мяч по
совпадение, но да, это не очень
опытный, но после двух часов игры
как эксперт, поэтому у него не было проблем, поэтому
он очень хорош, у меня были бы проблемы
избивать его
да, изменение вознаграждения в основном
модель основана на этом марковском решении
процесс, и я вернусь к этому в
второй после двух часов на самом деле
что-то особенное происходит, он узнает
что есть еще лучший способ забить
в основном туннелирование, которое было
через секунду, так что это очень хорошо, поэтому
Да, в основном кто-то да, он обновляет
эта модель в основном благодаря вознаграждениям
он получает такую попытку игры в игру
игра в игру, и он принимает решение
дерево в основном и каждое решение он
делает определенную вероятность для
определенная награда, и она пытается сохранить
обновляя его на основе опыта и
в конце концов, это довольно хорошо
deepmind для всех видов игр Atari
и фактически показал это как в основном
возможность для общего интеллекта
есть тот факт , что не было
знания предметной области ранее участвовавшая его
был способен решить несколько феи
звезды для всех видов игр Atari, но
есть также, да, вы могли бы сказать, что это
подмножество обучения усилению
это чаще всего называется генетическими алгоритмами, если
вы слышали об этом в основном это
Разве это не немного
здесь вы берете одну модель и сохраняете
обучение генетическому алгоритму
немного отличается, есть хорошая
пример в интернете не этот
Интересно, как он тренировался
во всяком случае, это пример для генетических
алгоритм Уокер в основном хорошо это делает
каждое поколение, которое он заморозил, имело 10 моделей
основывается на том, как далеко кто-то может получить
поэтому сколько вознаграждения он получает в одной модели
один из них определяет, кто живет и умирает
и кто может воспроизводить так, например
Я настроил это из чемпионов
скопировать , если вы видите его там так только
если
вы выигрываете игру в первых двух
позиции вы просто переходите к следующему
круглые , а остальные либо получить
убиты или пересекаются
поэтому в основном свойства от одного моля
будут сочетаться с культурами с другими
модели и , таким образом , оптимизировать или сделать это в
хуже хуже, и каждый раз, когда вы
продолжать идти дальше и дальше и дальше , а затем
отслеживать оптимальные оценки, так что
существует множество алгоритмов выбора
из-за этого очень важно иметь
понять, что вы хотите решить, как вы
хотят решить и то , что вам нужно
разрешите его так, как оно применяется в
повседневной жизни, вы можете видеть
уже запущено несколько приложений
с ним, где прогноз для Амстердама
есть система фильтрации, которая
на самом деле может предсказать , будет ли или нет
что-то собирается заполнить или что-то
требует внимания автоматического перевода так
это на самом деле несколько проблем в
один, так что вы имеете распознавание изображений
Дейв в переводе они должны быть хорошо
мы показываем, что перевод на изображение
снова так, и это на самом деле рак
обнаружение на очень низком уровне
определение вероятности того, что
что-то может быть неуместным спамом
фильтры, конечно , и тест блокировки автомобиля так
как бы вы начали, так что я собираюсь
быть очень коротким, но есть в основном два
способы начать, он просто используется для предварительного
модели поездов, такие как API для рыбалки, я просто
покажите, просто используйте его в своем приложении и
хорошо не изобретать колесо для простых
факты, да, есть люди там
это сделало это вам и вам, вероятно,
не собираются делать это намного лучше, так как
Я уже упоминал, что есть Google
Облако ml microfiche IBM bluemix или и т. Д.
и т. д., или вы можете создавать свои собственные и настраивать
с вашим собственным, но
то я бы предложил сначала изучить
Python да, вы можете использовать большинство библиотек
с Java Scala Мне нравятся те, но
в основном наука о данных и машина
все области обучения — это Python, поэтому
каждый пример, который вы увидите, — укус и
каждый ноутбук вы будете видеть подсмотрел это на
в начале просто изучите Python и если
вам достаточно комфортно с
все возможно, тогда перейдем к другому
еще один язык в субтитре
действительно установите его и попробуйте онлайн- парней
там их много , они очень хорошо
и вы будете дураком, если не используете его
например, машинное обучение
библиотеки, которые вы могли бы использовать, если хотите
сделать это самостоятельно — тензор
на самом деле TF узнать или факел Кара, который
новее
Tianna peyten глубокое обучение для J’s
кто-то это сделал
Java и кашель его для ввода несколько
другие, но это записки для тех
которые действительно задаются вопросом, что десять
поток в основе не основан на графике
так что библиотеки
в дополнение к обучению в технической поддержке
но по существу является основанной на графике
расчетная структура, которая оптимизирует
для распараллеливания и других вещей
как работает на процессоре, держите GPU
параллелизация или несколько процессов и т. д.
ну и не было, если кто-нибудь видел разговор
вчера о анализе данных да
это очень важный аспект
все, что вы хотите решить проблему I
не нашел то, что вы хотите решить
пример с данными о жилье да, что
вы хотите решить, действительно ли вы хотите
знать цены или просто вы не хотите
знать, насколько дорого дорого или
дешево, поэтому вам нужно настроить данные как
Что ж
очистить фильтр и настроить его
где мне нужно, вам нужно посмотреть на
большая картина в основном то, что собирается
прежде чем и что произойдет после вашего
машина
поэтому причина, по которой я предсказываю жилье
цены не потому, что вы такой фанат
обычно мы обычно обычно
это потому , что есть еще один процесс
после того, как вы действительно нуждаетесь в этом
информация хорошо третья точка проверить ваш
предположения, потому что у вас есть
они обычно ошибаются и визуализируются
снова в пироге на блокнот, если у вас есть
модель формы ID, если у вас есть идея
как данные говорят, что вы делаете, если думаете
ваше машинное обучение должно работать
визуализировать его
визуализировать каждый шаг, чтобы увидеть, как он выводится
не помещайте это в свое приложение на
как только я увижу будущее ИИ
довольно быстро за последние несколько лет
быстрый, что невообразимо для
Например, это полицейский агент —
к 2030 году Дубай намерен иметь I
считают, что 50% полицейских сил заменено
эти вещи
однако это не более чем прогулка
киоск в тот момент, с другой стороны, мы
имеют Boston Dynamics, которая на самом деле
военный экс-военный контракт от
Google, и это не шутки и
еще одна вещь о том, что Google недавно
выпустил его, например, две газеты
относительно
реляционных сетей, поэтому они являются специальными
сети, которые хотят, чтобы мы подключили мяч в
заказ
нейронных сетей, которые мы хотим использовать для
ответьте на вопрос, как будто это крошечный
резиновый палец имеет тот же цвет, что и
большой цилиндр, какая форма
крошечные резиновые ножки того же цвета
большая вещь, поэтому для нас это уже несколько
шаги и фактически они доказывают, что они
были способны ответить на этот вопрос
с чем-то лучше человеческого мастерства
так что да, мы не можем ожидать намного больше
в ближайшем будущем
в связи с этим, вот некоторые ресурсы
также, что вы действительно должны проверить I
действительно предложит посмотреть еще один
одна хорошая практическая на самом деле эта
или реальный чужой нуль
Я, вероятно, произнес это неправильно, но II
написал целую книгу, положил все это
эти ноутбуки онлайн на
дать вам действительно хорошее введение в
данные науки сторона ребенок имеет тенденцию течь все
эти вещи потребуют времени, но извините
это также книга О’Рейли, которую он опубликовал
книга Райли, да, сторонник, которого я не
знаю, помню танк да, я не знаю
что он сказал введение, но в основном
да, я могу сказать, что поток этот большой толстый
это хорошо читать нет да и слайды
действительно представляют эту книгу так
это действительно важно посмотреть на
это, если вы хотите, чтобы это были некоторые другие
разные источники
например, исследования для всех видов
изображений и вычислений в основном для
проверить, насколько хорошо ваше распознавание лица
незрелый канадец-иш открытого AI является
продвижение платформы с открытой платформой, и они
также есть тренажерный зал под открытым небом для соревнований
для нескольких проблем и что я просто
показал, что вы — генетический алгоритм
ходунки, которые в основном просты
генетическое удовольствие любые вопросы
Please follow and like us:
Be First to Comment