Wat is machine learning? Alles wat je moet weten

Nul

Machine learning is het inschakelen van computers om taken aan te pakken die tot nu toe alleen uitgevoerd door mensen.

Wat is het verschil tussen AI en machine learning?

Machine learning kan hebben genoten van het enorme succes van de late, maar het is gewoon een methode voor het bereiken van de kunstmatige intelligentie.

Bij de geboorte van het gebied van de AI in de jaren 1950, AI werd gedefinieerd als een machine die in staat is van het uitvoeren van een taak die gewoonlijk door de menselijke intelligentie.

AI systemen zal in het algemeen aantonen dat ten minste enkele van de volgende kenmerken: planning, leren, redeneren, problemen oplossen, kennis representatie, beleving, beweging, en manipulatie en, in mindere mate, sociale intelligentie en creativiteit.

Naast machine learning, zijn er verschillende andere benaderingen gebruikt voor de bouw van AI-systemen, met inbegrip van evolutionary computation, waar algoritmen ondergaan willekeurige mutaties en combinaties tussen de generaties in een poging om te “evolueren” optimale oplossingen en expert systemen, waar computers worden geprogrammeerd met de regels die hen in staat stellen na te bootsen het gedrag van een menselijke expert in een bepaald domein, bijvoorbeeld, een autopilot systeem, een vliegtuig.

Wat zijn de belangrijkste vormen van machine learning?

Machine learning is over het algemeen te verdelen in twee categorieën: supervised en unsupervised learning.

Wat is begeleid leren?

Deze aanpak is in principe leert de machines met een voorbeeld.

Tijdens de training voor begeleid leren, de systemen worden blootgesteld aan grote hoeveelheden van gelabelde data, bijvoorbeeld plaatjes van handgeschreven cijfers geannoteerde om aan te geven welk nummer ze overeen komen. Voldoende voorbeelden, een begeleid-learning systeem zou leren herkennen van de clusters van pixels en vormen geassocieerd met elk nummer en uiteindelijk in staat zijn om te herkennen van handgeschreven nummers, betrouwbaar onderscheid maken tussen de nummers 9 en 4 en 6 en 8.

Echter, de opleiding van deze systemen meestal vereist enorme hoeveelheden geëtiketteerd gegevens, met sommige systemen hoeft te worden blootgesteld aan miljoenen voorbeelden meester van een taak.

Als een resultaat, de datasets gebruikt om deze systemen te trainen kan worden uitgestrekt, met Google ‘s Open Beelden Dataset hebben ongeveer negen miljoen beelden, zijn gelabeld video archief YouTube-8M linken naar zeven miljoen gelabelde video’ s en ImageNet, een van de vroege-databases van deze soort, met meer dan 14 miljoen gecategoriseerd beelden. De grootte van de training datasets blijft groeien, met Facebook onlangs aankondigde het had opgesteld, 3,5 miljard afbeeldingen die openbaar beschikbaar is op Instagram, met behulp van de hashtags die verbonden zijn aan elke afbeelding als labels. Met behulp van een miljard van deze foto ‘ s te trainen, een afbeelding van de erkenning systeem leverde een record niveau van nauwkeurigheid — van 85,4 procent-op ImageNet de benchmark.

Het moeizame proces van het labelen van de datasets gebruikt in de training wordt vaak uitgevoerd met behulp van crowdworking diensten, zoals Amazon Mechanical Turk, die de toegang biedt tot een grote pool van goedkope arbeid verspreid over de hele wereld. Bijvoorbeeld, ImageNet was samen meer dan twee jaar door bijna 50.000 mensen, vooral geworven via Amazon Mechanical Turk. Echter, Facebook aanpak van de hand van publiek beschikbare gegevens om te trainen systemen bieden een alternatieve manier van trainen systemen met meer dan een miljard sterke datasets zonder de overhead van het handmatig labelen.

Hoe machine learning kan worden gebruikt om de vangst van een hacker (TechRepublic) Wetenschappers bouwden deze Raspberry Pi-aangedreven, 3D-geprinte robot-lab om te studeren vliegt

Wat is onbegeleid leren?

In tegenstelling, onbegeleid leren taken algoritmen met het identificeren van patronen in data, proberen te herkennen overeenkomsten die fractie dat de gegevens in categorieën.

Een voorbeeld zou kunnen zijn Airbnb clustering samen huizen te huur, per buurt, wijk of Google Nieuws samen de groepering van verhalen over soortgelijke onderwerpen elke dag.

Het algoritme is niet bedoeld om specifieke typen gegevens, het ziet er gewoon voor gegevens die kunnen worden gegroepeerd door haar overeenkomsten, of voor onregelmatigheden die opvallen.

Wat is semi-begeleid leren?

Het belang van de enorme sets van gelabelde data voor de opleiding van machine-learning systemen kan met de tijd verminderen, door de opkomst van semi-begeleid leren.

Zoals de naam al doet vermoeden, de aanpak mixen begeleid en onbegeleid leren. De techniek berust op het gebruik van een kleine hoeveelheid gelabeld gegevens en een grote hoeveelheid van de vermelde data om te trainen systemen. De gelabelde data is gebruikt voor een gedeeltelijke opleiding van een machine-leren-model, en dan is dat gedeeltelijk opgeleid model is gebruikt voor het label van de vermelde gegevens, een proces genaamd pseudo-etikettering. Het model wordt dan getraind op de resulterende mix van de gemerkte en pseudo-gelabelde data.

De levensvatbaarheid van semi-begeleid leren is onlangs versterkt door Generatieve Tegenspraak Netwerken ( GANs), machine-learning systemen die gebruik kunnen maken van gelabelde data te genereren volkomen nieuwe gegevens, bijvoorbeeld het creëren van nieuwe beelden van de Pokemon van bestaande beelden, die weer kunnen worden gebruikt om te helpen bij het opleiden van een machine-leren-model.

Waren semi-begeleid leren om zo effectief als begeleid leren, dan de toegang tot enorme hoeveelheden rekenkracht kan uiteindelijk worden belangrijker voor succes opleiding machine-learning systemen dan toegang tot de grote, geëtiketteerd datasets.

Wat is reinforcement learning?

Een manier om te begrijpen reinforcement learning is om na te denken over hoe iemand zou kunnen leren spelen op een oude school spel computer voor de eerste keer gebruikt, als ze niet bekend zijn met de regels of hoe om het spel te controleren. Terwijl zij een complete beginner, uiteindelijk, door te kijken naar de relatie tussen de knoppen ze op, wat er gebeurt op het scherm en hun in-game score, hun prestaties zullen beter en beter.

Een voorbeeld van reinforcement learning is Google DeepMind Diepe V-netwerk, die geslagen heeft de mens in een breed scala van vintage video games. Het systeem wordt gevoed pixels van elke game en is bepalend voor de verschillende informatie over de status van het spel, zoals de afstand tussen objecten op het scherm. Vervolgens wordt nagegaan hoe de toestand van het spel en de acties die worden uitgevoerd in het spel hebben betrekking op de score behaalt.

Over het proces van vele cycli van het spelen van het spel, uiteindelijk het systeem bouwt een model van die acties zal het maximaliseren van de score in die omstandigheden, bijvoorbeeld in het geval van de video game Breakout, waar de peddel moet worden verplaatst om het onderscheppen van de bal.

Hoe werkt onder toezicht van de machine te leren werken?

Alles begint met het trainen van een machine-leren-model, een wiskundige functie staat van het herhaaldelijk wijzigen hoe het werkt totdat u het kunt accurate voorspellingen te doen wanneer er nieuwe gegevens zijn.

Voordat de opleiding begint, moet je eerst kiezen welke gegevens te verzamelen en te bepalen welke functies van de gegevens van belang zijn.

Een enorm vereenvoudigd voorbeeld van hoe functies worden gegeven in deze toelichting door Google, waar een machine learning model is getraind op het herkennen van het verschil tussen bier en wijn, op basis van twee kenmerken, de drankjes’ kleur en hun alcoholische volume (ABV).

Elk drankje wordt bestempeld als een biertje of een wijntje, en vervolgens de relevante data is verzameld met behulp van een spectrometer voor het meten van hun kleur en hygrometer voor het meten van hun alcoholgehalte.

Een belangrijk punt om op te merken is dat de gegevens worden afgewogen, in dit geval om een ongeveer gelijk aantal voorbeelden van bier en wijn.

De verzamelde gegevens is vervolgens opgesplitst in een groter aandeel voor de opleiding, zeggen ongeveer 70 procent, en een kleiner deel voor de evaluatie, zeggen de resterende 30 procent. Deze evaluatie gegevens kunnen de getrainde model te worden getest om te zien hoe goed het is waarschijnlijk voor het uitvoeren van real-world data.

Voor de training aan de gang krijgt zal er over het algemeen ook een data-bereiding stap, tijdens welke processen zoals deduplicatie, normalisatie en fout correctie zal worden uitgevoerd.

De volgende stap is het kiezen van een geschikte machine-leren-model uit de grote verscheidenheid beschikbaar. Ieder zijn sterke en zwakke punten, afhankelijk van het type gegevens, bijvoorbeeld sommige zijn geschikt voor de handling van sommige afbeeldingen naar tekst, en sommige om zuiver numerieke gegevens.

Hoe werkt onder toezicht van de machine-learning training in zijn werk?

In principe is de training proces omvat de machine-leren-model automatisch afstellen van hoe het functioneert tot het kunnen maken van nauwkeurige voorspellingen van de data, in het Google voorbeeld, correct labelen van een drank zoals bier, wijn of wanneer het model wordt gegeven van een drankje de kleur en de ABV.

Een goede manier om uit te leggen van de opleiding is het te overwegen om een voorbeeld van het gebruik van een eenvoudige machine-leren-model, bekend als de lineaire regressie met het verloop afdaling. In het volgende voorbeeld, het model wordt gebruikt om te schatten hoeveel ijsjes worden verkocht op basis van de buitentemperatuur.

Stel je voor het nemen van gegevens uit het verleden tonen ijs verkoop-en buiten temperatuur, en het plotten van die gegevens tegen elkaar uit in een spreidingsdiagram grafiek — in feite het creëren van een verstrooiing van discrete punten.

Om te voorspellen hoe veel ijsjes verkocht zal worden in de toekomst op basis van de buitentemperatuur, kunt u het tekenen van een lijn die loopt door het midden van al deze punten, vergelijkbaar met de afbeelding hieronder.

Beeld: Nick Heath / ZDNet

Zodra dit is gedaan, ijs verkoop kan worden voorspeld bij elke temperatuur door het vinden van het punt waar de lijn loopt door een bepaalde temperatuur en het aflezen van de bijbehorende verkooporder op dat punt.

Brengen het terug naar de opleiding van een machine-leren-model, in dit geval de opleiding van een lineaire regressie model te betrekken bij het instellen van de verticale positie en de helling van de lijn totdat het ligt in het midden van alle punten op de scatter grafiek.

Bij elke stap van het onderwijsproces, de verticale afstand van elk van deze punten van de lijn wordt gemeten. Als er een verandering in de helling of de positie van de lijn van de resultaten in de verte om deze punten toe, dan is de helling of de positie van de lijn is veranderd in de tegenovergestelde richting, en een nieuwe meting uitgevoerd.

Op deze manier, via de vele kleine aanpassingen aan de helling en de positie van de lijn, de lijn zal blijven bewegen totdat het uiteindelijk vestigt zich in een positie die een goede pasvorm voor de distributie van al deze punten, zoals te zien is in de video hieronder. Zodra deze training proces is voltooid, wordt de lijn kan worden gebruikt om accurate voorspellingen te doen voor hoe de temperatuur invloed op ijs verkopen, en de machine-leren-model kan worden gezegd te zijn opgeleid.

Tijdens de training voor meer complexe machine-leren-modellen, zoals neurale netwerken verschilt in een aantal opzichten vergelijkbaar in de zin dat het gebruikt ook een “gradient descent” aanpak, waarbij de waarde van het “gewicht” dat het wijzigen van invoergegevens zijn herhaaldelijk aangepast, totdat de uitgang van de waarden die door het model worden zo dicht mogelijk bij wat gewenst is.

Master kunstmatige intelligentie, vergeet dan niet om de mensen en het proces Hoe Adobe beweegt AI, machine learning onderzoek naar de productpijplijn

Hoe beoordelen we de machine-leren-modellen?

Zodra de training van het model is compleet, het model is geëvalueerd met behulp van de overige gegevens die niet gebruikt tijdens de opleiding, het helpen om te peilen van de real-world prestaties.

Voor het verder verbeteren van de prestaties, opleiding parameters kunnen worden afgestemd. Een voorbeeld is het veranderen van de mate waarin de “gewichten” zijn veranderd bij elke stap in het opleidingstraject.

Wat zijn neurale netwerken en hoe zijn ze opgeleid?

Een zeer belangrijke groep van algoritmen voor zowel bewaakte en onbewaakte machine learning zijn neurale netwerken. Deze liggen ten grondslag aan veel van machine learning, en terwijl de eenvoudige modellen, zoals de lineaire regressie gebruikt, kan worden gebruikt om voorspellingen te maken op basis van een klein aantal van de functies van gegevens, zoals in het Google voorbeeld met bier en wijn, neurale netwerken zijn nuttig bij het omgaan met grote gegevenssets met vele mogelijkheden.

Neurale netwerken, waarvan de structuur is losjes geïnspireerd door dat van de hersenen, zijn onderling verbonden lagen van algoritmen, neuronen, die invoer van gegevens in elke andere, met de output van de vorige laag wordt de input van de volgende laag.

Elke laag kan worden beschouwd als het herkennen van de verschillende functies van de algemene gegevens. Bijvoorbeeld, overweeg het voorbeeld van het gebruik van machine learning herkent handgeschreven nummers tussen 0 en 9. De eerste laag in het neurale netwerk zou kunnen meten van de kleur van de individuele pixels in de afbeelding, de tweede laag kan de vlek vormen, zoals lijnen en curven, de volgende laag zou kunnen kijken voor grotere onderdelen van de geschreven nummer, bijvoorbeeld, de ronde lus aan de basis van het getal 6. Dit draagt op tot aan de laatste laag, die de uitgang van de waarschijnlijkheid dat een bepaalde handgeschreven figuur is een getal tussen 0 en 9.

Zie meer: Special report: het implementeren van AI en machine learning (gratis PDF)

Het netwerk leert hoe herkent u elk onderdeel van de nummers tijdens de training proces, door geleidelijk aan het tweaken van het belang van data als het stroomt tussen de lagen van het netwerk. Dit is mogelijk te wijten aan elke link tussen de lagen met een bijgevoegde gewicht, waarvan de waarde kan worden verhoogd of verlaagd te wijzigen dat link ‘ s betekenis. Aan het einde van elke cyclus zal het systeem nagaan of het neurale netwerk van de uiteindelijke output is dichterbij of verder weg van wat gewenst is — voor de aanleg van het netwerk beter of slechter op het identificeren van een handgeschreven nummer 6. Om de kloof te dichten tussen de daadwerkelijke productie en de gewenste output, het systeem werkt dan achteruit door het neurale netwerk, het veranderen van de gewichten die aan al deze links tussen de lagen, evenals een bijbehorende waarde genoemd bias. Dit proces heet back-propagation.

Uiteindelijk zal dit proces zich op de waarden voor deze gewichten en de vooroordelen waarmee het netwerk voor het betrouwbaar uitvoeren van een bepaalde taak, zoals het herkennen van handgeschreven nummers, en het netwerk kan worden gezegd te hebben “geleerd” hoe het uitvoeren van een specifieke taak

Een illustratie van de structuur van een neuraal netwerk is en hoe de training werkt.

Afbeelding: Nvidia

Wat is diep leren en wat zijn diep neurale netwerken?

Een subset van machine learning is diep leren, waarbij neurale netwerken worden uitgebreid in uitgestrekte netwerken met een groot aantal lagen, die worden getraind met behulp van enorme hoeveelheden gegevens. Het is deze diepe neurale netwerken die hebben geleid tot de huidige sprong voorwaarts in het vermogen van computers uit te voeren taak, zoals spraakherkenning en computer vision.

Er zijn verschillende soorten neurale netwerken, met verschillende sterke en zwakke punten. De recurrente neurale netwerken zijn een soort van neurale netto bijzonder geschikt te zijn voor de verwerking van taal en spraak herkenning, terwijl convolutional neurale netwerken worden steeds vaker gebruikt in de beeldherkenning. Het ontwerp van neurale netwerken is ook in ontwikkeling, met onderzoekers onlangs de uitwerking van een meer efficiënte design voor een effectieve soort van diepe neurale netwerk met de naam lange, de korte-termijn geheugen of LSTM, waardoor het apparaat snel genoeg is om gebruikt te worden in on-demand systemen zoals Google Translate.

De AI techniek van evolutionaire algoritmen wordt zelfs gebruikt voor het optimaliseren van neurale netwerken, dankzij een proces genaamd neuroevolution. De aanpak werd onlangs gepresenteerd door Uber AI Labs, die uitgebracht papers over het gebruik van genetische algoritmen om te trainen diep neurale netwerken voor versterking van leerproblemen.

Diep Leren: De rente is meer dan latent Dell, EMC-high-performance computing bundels gericht op AI, diep leren

Waarom is ‘machine learning’ zo succesvol?

Terwijl de machine learning is geen nieuwe techniek, belangstelling in het veld is geëxplodeerd in de afgelopen jaren.

Deze opleving komt op de rug van een reeks van doorbraken, met diep leren en nieuwe records voor nauwkeurigheid in gebieden zoals de spraak en de taal van de erkenning en computer vision.

Wat maakte deze successen mogelijk zijn voornamelijk twee factoren, enerzijds is de enorme hoeveelheden beelden, spraak, video en tekst die toegankelijk is voor onderzoekers op zoek naar de trein machine-learning systemen.

Maar nog belangrijker is de beschikbaarheid van grote hoeveelheden parallel-processing power, met dank aan de moderne graphics processing units (Gpu ‘ s), die kunnen worden samengevoegd in clusters te vormen machine-learning krachtpatsers.

Vandaag iedereen met een internet verbinding kunt gebruik maken van deze clusters te trainen machine-leren-modellen, via de cloud-diensten door bedrijven als Amazon, Google en Microsoft.

Als het gebruik van machine-learning heeft genomen, zodat bedrijven zijn nu het creëren van gespecialiseerde hardware op maat te draaien en opleiding machine-leren-modellen. Een voorbeeld van één van deze aangepaste chips is Google ‘ s Tensor Processing Unit (TPU), de nieuwste versie van die versnelt de snelheid waarmee de machine-leren-modellen gebouwd met gebruik van Google TensorFlow software bibliotheek kan afleiden van informatie uit gegevens, evenals het tempo waarin ze getraind kunnen worden.

Deze chips worden niet alleen gebruikt om te trainen modellen voor Google DeepMind en Google Hersenen, maar ook de modellen die ten grondslag liggen aan Google Vertalen en de afbeelding erkenning in Google Foto, evenals diensten die het mogelijk maken het publiek op te bouwen machine learning modellen met behulp van Google TensorFlow Onderzoek Cloud. De tweede generatie van deze chips werd onthuld op Google ‘s I/O-conferentie in Mei vorig jaar, met een array van deze nieuwe TPUs kunnen trainen een Google-machine-leren-model gebruikt voor de vertaling in de helft van de tijd het zou een array van de top-end Gpu’ s, en de onlangs aangekondigde derde-generatie TPUs in staat om te versnellen opleiding en gevolgtrekking nog verder.

Als de hardware wordt steeds specialistischer en machine-learning software frameworks zijn verfijnd, het is steeds vaker ML taken die moeten worden uitgevoerd aan de consument rang telefoons en computers, eerder dan in de cloud datacenters. In de zomer van 2018, Google deed een stap naar het aanbieden van de kwaliteit van de geautomatiseerde vertaling op telefoons die zijn offline als online beschikbaar is, door de uitrol van lokale neurale machine vertaling voor 59 talen op de Google Vertalen-app voor iOS en Android.

De grote data science hoop: Machine learning kan genezen uw verschrikkelijke gegevens hygiëne Machine learning als een dienst: bescherming van de privacy worden onderwezen? Vijf manieren om uw bedrijf aan de slag kunt implementeren van AI en ML Waarom AI en machine learning moet een deel van uw digitale transformatie plannen

Wat is AlphaGo?

Misschien wel de meest beroemde demonstratie van de werkzaamheid van machine-learning systemen is de 2016 triomf van de Google DeepMind AlphaGo AI meer dan een mens grootmeester in Gaan, een prestatie op zich was dat niet verwacht tot 2026. Go is een oude Chinese spel waarvan de complexiteit bamboozled computers voor decennia. Ga telt zo ‘ n 200 bewegingen per beurt, tegenover ongeveer 20 in het Schaakspel. In de loop van een spel van Gaan, er zijn zo veel mogelijk beweegt die zoeken door middel van elk van hen op voorhand te identificeren van de beste gratis spelen is het te duur is van een computationeel oogpunt. In plaats daarvan, AlphaGo werd opgeleid hoe het spel te spelen door het nemen beweegt gespeeld door menselijke experts in 30 miljoen Gaan spelen en voeden ze in diep-leren, neurale netwerken.

De Training van de diepe-leren netwerken nodig is, kan een zeer lange tijd duren, waarbij er grote hoeveelheden gegevens worden ingeslikt en herhaald over het systeem geleidelijk verfijnt zijn model om te komen tot de beste uitkomst.

Echter, meer recentelijk Google geraffineerde de opleiding met AlphaGo Nul, een systeem dat gespeeld “willekeurige” games tegen zichzelf, en dan is getrokken uit de resultaten. Vorig jaar de prestigieuze Neurale Verwerking van Informatie Systemen (NIP) conferentie, Google DeepMind CEO Demis Hassabis geopenbaard AlphaGo had ook beheerst de spelen van het schaakspel en shogi.

DeepMind blijven om je grenzen te verleggen op het gebied van machine learning. In juli 2018, DeepMind gemeld dat de AI agenten hadden geleerd hoe ze spelen 1999 multiplayer 3D first-person shooter Quake III Arena, goed genoeg om te verslaan teams van menselijke spelers. Deze agenten geleerd hoe het spel te spelen met niet meer informatie dan de menselijke spelers, met hun input worden de pixels op het scherm als ze probeerde uit random acties in het spel, en feedback op hun prestaties tijdens elk spel.

Meer recent DeepMind aangetoond dat een AI agent staat van bovenmenselijke prestaties over meerdere klassieke Atari-games, een verbetering ten opzichte van eerdere benaderingen waar elke AI agent kan alleen goed presteren bij een enkel spel. DeepMind onderzoekers zeggen dat deze algemene voorzieningen belangrijk als AI-onderzoek is het aanpakken van meer complexe real-world domeinen.

Google AlphaGo pensioen gaat, na het verslaan van de Chinese Ga kampioen DeepMind AlphaGo Nul leert op zijn eigen, zonder meatbag interventie

Wat is machine learning voor gebruikt?

Machine learning systemen worden gebruikt om ons heen, en zijn een hoeksteen van het moderne internet.

Machine-learning systemen worden gebruikt om te raden welk product u zou willen kopen, volgende op Amazon of video die u wilt misschien wilt bekijken op Netflix.

Elk Google-search maakt gebruik van meerdere machines-learning systemen, om te begrijpen van de taal in uw query tot het personaliseren van uw resultaten, zodat sportvissers zoeken naar “bass” niet overspoeld met resultaten over gitaren. Ook Gmail ‘ s spam en phishing-erkenning systemen maken gebruik van machine-learning opgeleid modellen om uw postvak in wissen van valse berichten.

Een van de meest voor de hand liggende demonstraties van de macht van machine learning, virtuele assistenten, zoals Apple ‘s Siri, Amazon’ s Alexa, Google-Assistent en Microsoft Cortana.

Elke leunt zwaar op de machine learning ter ondersteuning van hun erkenning van de stem en het vermogen om te begrijpen van natuurlijke taal, evenals die een enorme corpus te tekenen bij het beantwoorden van vragen.

Maar afgezien van deze zeer zichtbare manifestaties van machine learning, systemen beginnen te gebruiken in vrijwel elke branche. Deze pakken zijn: computer vision voor driverless auto ‘ s, drones en levering van robots, de spraak en de taal erkenning en synthese voor chatbots en service robots; gezichtsherkenning voor het toezicht in landen als China; het helpen van radiologen op te halen uit de tumoren in de x-stralen, het helpen van onderzoekers in het spotten van genetische sequenties in verband met ziekten en de identificatie van moleculen die kunnen leiden tot meer effectieve geneesmiddelen in de gezondheidszorg, waardoor voor het preventief onderhoud van de infrastructuur door het analyseren van de IoT sensor data; de onderbouwing van het computer vision, dat maakt de cashierless Amazon Gaan supermarkt mogelijk, het aanbieden van redelijk nauwkeurige transcriptie en vertaling van de toespraak voor zakelijke bijeenkomsten — de lijst gaat op en op.

Diep-learning kan uiteindelijk de weg vrijmaken voor robots dat kan leer van de mens, met onderzoekers van de Nvidia onlangs het creëren van een diep-learning systeem dat is ontworpen om een robot aan hoe een taak uit te voeren, simpelweg door het observeren van de taak die wordt uitgevoerd door een mens.

Startup maakt gebruik van AI en machine learning voor real-time antecedentenonderzoek Drie van de vier van mening dat AI-toepassingen worden de volgende mega trend Hoe alomtegenwoordig AI zal doordringen in alles wat we doen zonder onze kennis

Zijn machine-learning systemen doelstelling?

Zoals u zou verwachten, de keuze en de breedte van de gegevens die zijn gebruikt om te trainen systemen zullen van invloed zijn op de taken die zij zijn geschikt voor.

Bijvoorbeeld, in 2016 Rachael Tatman, een National Science Foundation Graduate Research Fellow in de Afdeling Taalkunde aan de Universiteit van Washington, vinden dat Google ‘s speech-recognition systeem beter presteerden voor de mannelijke stem dan vrouwelijke degenen wanneer automatische ondertiteling van een steekproef van YouTube-video’ s, een resultaat dat ze toegeschreven aan een ‘onevenwichtige opleiding stelt’ met een overwicht van mannelijke sprekers.

Als de machine-learning systemen te verplaatsen naar de nieuwe gebieden, zoals het helpen van de medische diagnose, de mogelijkheid van systemen die scheef in de richting van het aanbieden van een betere dienstverlening of een rechtvaardiger behandeling voor bepaalde groepen mensen zullen waarschijnlijk steeds een punt van zorg.

Welke zijn de beste machine-learning cursussen?

Een sterk aanbevolen cursus voor beginners om te leren zelf de fundamenten van machine learning is dit gratis Stanford University en Coursera lezingenreeks door AI-expert en Google Hersenen oprichter Andrew Ng.

Een ander hoog-scorende gratis online cursus, geprezen voor zowel de breedte van de dekking en de kwaliteit van het onderwijs, is dit EdX en de Columbia University introductie van machine learning, hoewel de studenten doen vergeten en dat vereist een degelijke kennis van wiskunde tot op universitair niveau.

Hoe aan de slag met machine learning?

Technologieën die zijn ontworpen om ontwikkelaars om zichzelf onderwijzen over machine learning zijn steeds vaker, van AWS’ diep leren ingeschakeld camera DeepLens Google Raspberry Pi-aangedreven AIY kits.

Welke diensten zijn beschikbaar voor machine learning?

Alle grote cloud-platforms — Amazon Web Services, Microsoft Azure en Google Cloud Platform — voorzien in toegang tot de hardware die nodig is om te trainen en uitvoeren van machine-learning modellen, met Google te laten Cloud-Platform gebruikers testen de Tensor Processing Units — custom chips waarvan het design is geoptimaliseerd voor de opleiding en het uitvoeren van machine-learning modellen.

Deze cloud-based infrastructuur omvat de opgeslagen gegevens nodig om de enorme hoeveelheden gegevens opleiding, diensten voor te bereiden dat de gegevens voor analyse en visualisatie tools om de resultaten duidelijk.

Nieuwere diensten zelfs het stroomlijnen van de creatie van aangepaste machine-leren-modellen, met Google onlangs het onthullen van een dienst voor het automatiseren van het aanmaken van AI-modellen, de zogenaamde Cloud AutoML. Deze drag-and-drop service bouwt custom image-erkenning modellen en vereist dat de gebruiker geen machine-learning expertise, vergelijkbaar met Microsoft ‘ s Azure Machine Learning Studio. In dezelfde geest, Amazon onlangs onthulde nieuwe AWS aanbod ontworpen voor het versnellen van het proces van de opleiding tot machine-leren-modellen.

Voor gegevens wetenschappers, Google ‘s Cloud ML Motor is een beheerde computer-learning service die gebruikers in staat stelt om te trainen, te implementeren en te exporteren aangepaste machine-leren-modellen die zijn gebaseerd op Google’ s open-source TensorFlow ML kader of de open neurale netwerk kader Keras, en die nu kan worden gebruikt met de Python library sci-kit leren en XGBoost.

Database administrators zonder een achtergrond in de gegevens wetenschap kan gebruik maken van Google ‘s BigQueryML, een beta dienst die het mogelijk maakt admins om te bellen opgeleid machine-leren-modellen met behulp van SQL-commando’ s, waarmee voorspellingen worden gemaakt van de database, die is eenvoudiger dan het exporteren van gegevens naar een aparte machine learning analytics en omgeving.

Voor bedrijven die niet willen bouwen hun eigen machine-leren-modellen, de cloud-platforms bieden ook AI-aangedreven, on-demand-services, zoals de stem, de visie en de taal van de erkenning. Microsoft Azure staat voor de breedte van on-demand diensten aan te bieden, op de voet gevolgd door Google Cloud Platform en vervolgens AWS.

Ondertussen IBM, naast de meer algemene on-demand-aanbod, is het ook probeert te verkopen sector-specifieke AI diensten die gericht zijn op alles wat uit de gezondheidszorg, de detailhandel, het groeperen van deze aanbiedingen samen onder de IBM Watson paraplu.

Vroeg in 2018, Google breidt haar machine-learning gebaseerde services aan de wereld van de reclame, het vrijgeven van een suite van tools voor het maken van meer effectieve advertenties, zowel digitaal als fysiek.

Terwijl Apple niet genieten van dezelfde reputatie voor het snijden van rand spraakherkenning, de verwerking van natuurlijke taal en computer vision als Google en Amazon, het is investeren in het verbeteren van de AI-diensten, heeft onlangs het zetten van Google ‘s voormalige chief leiding van’ machine learning ‘en AI-strategie in de onderneming, waaronder de ontwikkeling van de assistent Siri en haar on-demand ‘machine learning’ – service Core ML.

In September 2018, NVIDIA lanceerde onlangs een gecombineerde hardware-en software-platform ontworpen om geïnstalleerd te worden in datacentra, die kan versnellen het tempo waarin getraind machine-leren-modellen kunnen uitvoeren van stem -, video-en foto-herkenning, evenals andere ML-gerelateerde diensten.

De NVIDIA TensorRT Hyperscale Gevolgtrekking Platform maakt gebruik van de NVIDIA Tesla T4 Gpu ‘s, die levert tot 40x de prestaties van de Cpu’ s bij het gebruik van machine-learning modellen om de conclusies van de gegevens, en de TensorRT software platform dat is ontworpen voor het optimaliseren van de prestaties van het getrainde neurale netwerken.

Amazon Web Services voegt meer gegevens en ML diensten, maar wanneer is genoeg genoeg? Microsoft Benadrukt Keuze Van SQL Server 2017 Azure Machine Learning Splunk updates vlaggenschip suites met machine learning, AI voorschotten

Welke software bibliotheken beschikbaar zijn voor u aan de slag met machine learning?

Er zijn een breed scala van software frameworks voor u aan de slag met training en draaiende machine-leren-modellen, typisch voor de programmeertalen Python, R, C++, Java en MATLAB.

Bekende voorbeelden zijn Google ‘ s TensorFlow, de open-source library Keras, de Python library Scikit-leren, het diepe-learning framework CAFFE en de machine-learning bibliotheek Fakkel.

Verder lezen

Speciaal verslag: het Benutten van de IoT in de onderneming (gratis PDF) (TechRepublic) Machine learning ‘en het’ Internet van Dingen ‘Machine learning’: Een cheat sheet (TechRepublic) Analyses in 2018: AI, IoT en multi-cloud, of ‘bust’ 5 tips voor het overwinnen van machine learning goedkeuring belemmeringen in de onderneming (TechRepublic)

Verwante Onderwerpen:

Amazon

Digitale Transformatie

CXO

Het Internet van Dingen

Innovatie

Enterprise Software

0