Zero
Macchina di apprendimento è che permette ai computer di affrontare i compiti che hanno, fino ad ora, è stata condotta soltanto da persone.
Qual è la differenza tra AI e di apprendimento della macchina?
Macchina di apprendimento, hanno goduto di un enorme successo di ritardo, ma è solo un metodo per il raggiungimento di intelligenza artificiale.
Alla nascita del campo di AI nel 1950, l’IA è stata definita come una qualsiasi macchina in grado di eseguire un compito che normalmente richiedono l’intelligenza umana.
Sistemi di intelligenza artificiale, generalmente dimostrare almeno alcune delle seguenti caratteristiche: pianificazione, di apprendimento, ragionamento, problem solving, rappresentazione della conoscenza, la percezione, il movimento, la manipolazione e, in misura minore, sociale, intelligenza e creatività.
A fianco della macchina di apprendimento, ci sono vari altri approcci utilizzati per costruire sistemi di intelligenza artificiale, compreso il calcolo evolutivo, in cui gli algoritmi subire mutazioni casuali e le combinazioni tra le generazioni, nel tentativo di “evolvere” le soluzioni ottimali, e sistemi esperti, in cui i computer sono programmati con le regole che consentono loro di simulare il comportamento di una persona esperta in un determinato dominio, per esempio un sistema di pilota automatico volare un aereo.
Quali sono i principali tipi di machine learning?
Macchina di apprendimento è generalmente suddivisi in due categorie principali: supervisionato e non di apprendimento.
Che cosa è l’apprendimento supervisionato?
Questo approccio fondamentalmente insegna macchine da esempio.
Corso di formazione per l’apprendimento supervisionato, sistemi sono esposti a grandi quantità di dati etichettati, per esempio, immagini di cifre scritte a mano con annotazioni per indicare che il numero a cui corrispondono. Dato sufficienti esempi, un sorvegliato-sistema di apprendimento vorresti imparare a riconoscere i gruppi di pixel e forme associate di ogni numero e, infine, essere in grado di riconoscere manoscritte, numeri, in grado di distinguere in modo affidabile tra i numeri 9 e 4 o 6 e 8.
Tuttavia, per la formazione di questi sistemi in genere richiede enormi quantità di dati etichettati, con alcuni sistemi che hanno bisogno di essere esposti a milioni di esempi di master di un compito.
Come risultato, il set di dati utilizzato per la formazione di questi sistemi possono essere di grandi dimensioni, con Google Apri Immagini del set di dati con circa nove milioni di immagini, la sua etichetta video repository YouTube-8M collegamento a sette milioni etichettato video e ImageNet, uno dei primi database di questo tipo, che abbia più di 14 milioni di euro classificati immagini. La dimensione del training set di dati in continua crescita, con Facebook, di recente, annunciando che aveva raccolto 3,5 miliardi di immagini è disponibile pubblicamente su Instagram, utilizzando hashtags, allegate ad ogni immagine come etichette. Utilizzando un miliardo di queste foto per formare un’immagine-sistema di riconoscimento ceduto livelli record di precisione — di 85.4% — ImageNet riferimento.
Il laborioso processo di etichettatura il set di dati utilizzati nella formazione è spesso eseguito con crowdworking servizi, come Mechanical Turk di Amazon, che offre l’accesso a una grande piscina di manodopera a basso costo sparsi in tutto il mondo. Per esempio, ImageNet è stato messo insieme più di due anni da quasi 50.000 persone, per lo più reclutati attraverso Amazon Mechanical Turk. Tuttavia, Facebook approccio di utilizzo di dati pubblicamente disponibili per i sistemi ferroviari potrebbe fornire un modo alternativo di sistemi di formazione utilizzando miliardi di euro, forte di set di dati senza il sovraccarico di manuale di etichettatura.
Come macchina di apprendimento può essere utilizzato per catturare un hacker (TechRepublic) gli Scienziati costruito questo Raspberry Pi-powered, stampato in 3D robot-laboratorio per lo studio di mosche
Che cosa è unsupervised learning?
In contrasto, unsupervised learning attività di algoritmi per l’identificazione di modelli di dati, cercando di individuare somiglianze che dividere i dati in categorie.
Un esempio potrebbe essere quello di Airbnb clustering insieme di case disponibili per l’affitto per quartiere, o di Google News, il raggruppamento di storie su argomenti simili ogni giorno.
L’algoritmo non è progettato per specifici tipi di dati, si cerca semplicemente di dati che possono essere raggruppati per le sue somiglianze, o per anomalie che si distinguono.
Che cosa è semi-supervised learning?
L’importanza di grandi insiemi di dati etichettati per la formazione della macchina-i sistemi di apprendimento può diminuire nel tempo, a causa dell’aumento di semi-supervised learning.
Come suggerisce il nome, l’approccio mescola supervisionato e non di apprendimento. La tecnica si basa sull’uso di una piccola quantità di dati etichettati e una grande quantità di dati non etichettati per i sistemi ferroviari. La etichettati dati è utilizzato a parziale treno di macchina e modello di apprendimento, e quindi che parzialmente addestrato modello è utilizzato per etichettare i dati non etichettati, un processo chiamato pseudo-etichettatura. Il modello è poi allenato il mix risultante della etichettati e pseudo-etichettati dati.
La vitalità dei semi-supervised learning è stato potenziato di recente da Generativa Contraddittorio Reti ( GANs), apprendimento automatico di sistemi che possono utilizzare etichettati dati per generare i dati completamente nuovi, per esempio la creazione di nuove immagini di Pokemon da immagini già esistenti, che a sua volta può essere utilizzato per aiutare a formare una macchina-modello di apprendimento.
Erano semi-supervised learning per diventare efficace come apprendimento supervisionato, quindi l’accesso a enormi quantità di potenza di calcolo può essere più importante per il successo di formazione, apprendimento automatico di sistemi di accesso ad un ampio set di dati etichettati.
Che cosa è il rafforzamento dell’apprendimento?
Un modo per capire il rafforzamento dell’apprendimento è quello di pensare a come qualcuno potrebbe imparare a suonare una vecchia scuola gioco per computer per la prima volta, quando essi non hanno familiarità con le regole o come controllare il gioco. Mentre si potrebbe essere un principiante, alla fine, guardando il rapporto tra i pulsanti vengono premuti, ciò che accade sullo schermo e la loro punteggio del gioco, le loro prestazioni sono sempre meglio.
Un esempio di rinforzo di apprendimento di Google è DeepMind Profondo Q-network, che ha battuto gli esseri umani in una vasta gamma di vintage video giochi. Il sistema è alimentato pixel da ogni gioco e determina le varie informazioni circa lo stato del gioco, come la distanza tra gli oggetti sullo schermo. Considera poi come lo stato del gioco e le azioni che vengono eseguite in gioco riguardano il punteggio che si ottiene.
Il processo di numerosi cicli di giocare il gioco, alla fine il sistema costruisce un modello di azioni che massimizzare il punteggio in quali circostanze, per esempio, nel caso del video gioco di Breakout, dove la pagaia deve essere spostato in modo da intercettare il pallone.
Come funziona la supervisione di apprendimento automatico e di lavoro?
Tutto inizia con la formazione di una macchina-modello di apprendimento, una funzione matematica in grado di modifica ripetutamente come funziona fino a quando si può prevedere con precisione quando somministrato fresco di dati.
Prima dell’allenamento inizia, è necessario prima di scegliere quali dati raccogliere e decidere quali caratteristiche si i dati sono importanti.
Un altro esempio semplificato di quali dati caratteristiche sono riportate in questo spiegatore da Google, dove una macchina modello di apprendimento è addestrato a riconoscere la differenza tra la birra e il vino, in base a due caratteristiche, le bevande di colore e la loro alcoliche volume (ABV).
Ogni bevanda è etichettato come una birra o un vino, e quindi i dati vengono raccolti, utilizzando uno spettrometro per misurare il loro colore e densimetro per misurare il loro contenuto di alcol.
Un punto importante da notare è che i dati devono essere bilanciati, in questo caso per avere una pressoché uguale numero di esempi di birra e vino.
I dati raccolti vengono poi suddivisi, in una percentuale maggiore per la formazione, ad esempio circa il 70 per cento, e in minor misura per la valutazione, dire che il restante 30 per cento. Questa la valutazione dei dati consente la addestrati modello per essere testato per vedere come è probabile per eseguire su dati reali.
Prima dell’allenamento ottiene in corso ci sono anche i dati in fase di preparazione, durante il quale i processi come la deduplicazione, la normalizzazione e correzione di errore verrà effettuato.
Il passo successivo sarà la scelta di un appropriato macchina-modello di apprendimento, dall’ampia gamma disponibile. Ognuno ha punti di forza e di debolezza a seconda del tipo di dati, ad esempio, alcuni sono adatti per la manipolazione delle immagini, alcune di testo, e alcuni dati puramente numerici.
Come si fa a sorvegliato la macchina di formazione lavoro?
In sostanza, il processo di formazione comporta la macchina-modello di apprendimento automaticamente tweaking come funziona, fino a quando si può prevedere con precisione i dati, nel Google esempio, la corretta etichettatura di una bevanda come la birra o il vino, quando il modello viene dato un drink di colore e di ALCOL.
Un buon modo per spiegare il processo di formazione è da considerare un esempio di utilizzo di una semplice macchina-modello di apprendimento, conosciuta come la regressione lineare con un gradiente di discesa. Nel seguente esempio, il modello è utilizzato per stimare il numero di gelati sarà venduto in base alla temperatura esterna.
Immaginate di prendere i dati del passato, mostrando il gelato di vendita e la temperatura esterna, e tracciato i dati contro l’altro in un grafico a dispersione-che in sostanza la creazione di una manciata di punti discreti.
Per stimare il numero di gelati saranno vendute in futuro sulla base della temperatura esterna, è possibile disegnare una linea che passa in mezzo a tutti questi punti, simile a quella illustrata di seguito.
Immagine: Nick Heath / ZDNet
Una volta fatto questo, il gelato di vendita può essere previsto a qualsiasi temperatura, trovando il punto in cui la linea che passa attraverso una particolare temperatura e lettura di vendita corrispondenti a quel punto.
Riportando alla formazione di una macchina-modello di apprendimento, in questo caso la formazione di un modello di regressione lineare comporterebbe la regolazione della posizione verticale e la pendenza della linea fino a quando si trova in mezzo di tutti i punti sul grafico a dispersione.
Ad ogni passo del processo di formazione, la distanza verticale di ciascuno di questi punti, la linea viene misurata. Se un cambiamento di pendenza o la posizione della linea di risultati a distanza di questi punti, aumentando, quindi, la pendenza o la posizione della linea è cambiato nella direzione opposta, e una nuova misurazione.
In questo modo, attraverso tanti piccoli aggiustamenti per la pendenza e la posizione della linea, la linea continuerà a muoversi fino alla fine si assesta in una posizione che non è una buona misura per la distribuzione di tutti questi punti, come si vede nel video qui sotto. Una volta che questo processo di formazione è completa, la linea può essere utilizzata per effettuare previsioni accurate per come la temperatura influisce gelato di vendita, e la macchina-modello di apprendimento può essere detto di essere stato addestrato.
Mentre la formazione per i casi più complessi apprendimento automatico di modelli come le reti neurali si differenzia in molti aspetti, è simile, che si avvale anche di un “gradiente di discesa”, in cui il valore di “pesi” che modificare i dati di input sono più volte modificato fino a quando i valori di output prodotto dal modello sono il più vicino possibile a quello desiderato.
Master di intelligenza artificiale, di non dimenticare le persone e il processo Come Adobe si muove AI, di apprendimento automatico e di ricerca per il prodotto pipeline
Come valutare l’apprendimento automatico di modelli?
Una volta che la formazione del modello è completo, il modello viene valutato utilizzando i dati rimanenti che non è stato utilizzato durante l’allenamento, aiutando a valutare la sua reale delle prestazioni.
Per migliorare ulteriormente le prestazioni, la formazione parametri possono essere modificati. Un esempio potrebbe essere alterare la misura in cui i “pesi” sono alterati in ogni fase del processo di formazione.
Che cosa sono le reti neurali e come si sono formate?
Un importante gruppo di algoritmi per entrambi supervisionato e non di apprendimento automatico sono le reti neurali. Questi si fonda molto del machine learning, e mentre i modelli semplici come la regressione lineare utilizzato può essere utilizzato per fare previsioni basate su un piccolo numero di tipi di dati, come nell’esempio Google con la birra e il vino, le reti neurali sono utili quando si tratta di grandi insiemi di dati con molte caratteristiche.
Le reti neurali, la cui struttura è liberamente ispirata a quella del cervello, sono strati di interconnessione di algoritmi, chiamate neuroni, che alimentano a vicenda, con l’uscita del precedente strato di essere l’input del successivo strato.
Ogni strato può essere pensato come riconoscere diverse caratteristiche dei dati generali. Per esempio, si consideri l’esempio di utilizzo di una macchina per imparare a riconoscere i manoscritte, numeri compresi tra 0 e 9. Il primo livello della rete neurale potrebbe misurare il colore dei singoli pixel dell’immagine, il secondo strato possono individuare forme, linee e curve, il livello successivo è possibile che per i componenti più grandi del numero scritto, per esempio, arrotondato anello alla base del numero 6. Questo porta su tutto il percorso attraverso lo strato finale, che sarà uscita la probabilità che una data scritta a mano figura è un numero tra 0 e 9.
Vedi di più: relazione Speciale: Come implementare l’IA e il machine learning (free PDF)
La rete impara a riconoscere ogni componente dei numeri durante il processo di formazione, gradualmente modificando l’importanza dei dati che scorre tra i livelli della rete. Questo è possibile grazie ad ogni collegamento tra gli strati di aver attaccato il peso, il cui valore può essere aumentato o diminuito per modificare questo link significato. Alla fine di ogni ciclo di formazione per il sistema di esaminare se la rete neurale di output finale è sempre più vicino o più lontano da ciò che è desiderato, ad esempio la rete è sempre in meglio o in peggio, all’individuazione di un manoscritto numero 6. Per chiudere il divario tra la produzione effettiva e di output desiderato, il sistema di lavoro all’indietro attraverso la rete neurale, alterare i pesi attaccati a tutti questi collegamenti tra gli strati, così come associato un valore chiamato bias. Questo processo è chiamato retro-propagazione.
Alla fine di questo processo si assesterà su valori per questi pesi e pregiudizi che permetterà la rete in modo affidabile l’esecuzione di una determinata attività, come ad esempio il riconoscimento manoscritte, numeri, e la rete può essere detto di avere “imparato” come svolgere un compito specifico
Un’illustrazione della struttura di una rete neurale, e come attività di formazione.
Immagine: Nvidia
Cos’è il deep learning e quali sono profonde le reti neurali?
Un sottoinsieme di machine learning è un profondo apprendimento, dove le reti neurali sono espansi nella tentacolare reti con un numero enorme di livelli che sono addestrati con l’uso di enormi quantità di dati. È di queste profonde reti neurali che hanno alimentato l’attuale salto di qualità nella capacità del computer per svolgere attività come il riconoscimento vocale e computer vision.
Ci sono vari tipi di reti neurali, con diversi punti di forza e di debolezza. Reti neurali ricorrenti sono un tipo di rete neurale, particolarmente adatta per l’elaborazione del linguaggio e di riconoscimento vocale, mentre convolutional reti neurali sono più comunemente utilizzati nel riconoscimento di immagini. La progettazione delle reti neurali è in continua evoluzione, con i ricercatori di recente definizione di un sistema più efficiente per un’efficace tipo di deep neural network chiamato a lungo la memoria a breve termine o LSTM, permettendo di operare abbastanza veloce per essere utilizzati in on-demand sistemi come Google Translate.
La tecnica di intelligenza artificiale di algoritmi evolutivi è anche essere utilizzati per ottimizzare le reti neurali, grazie a un processo chiamato neuroevolution. L’approccio è stato recentemente presentato da Uber AI Laboratori, che ha pubblicato articoli sull’utilizzo di algoritmi genetici per treno profonda reti neurali per l’apprendimento per rinforzo problemi.
Deep Learning: L’interesse è più che latente Dell EMC high-performance computing fasci volte a AI, deep learning
Perché è la macchina di apprendimento così tanto successo?
Mentre la macchina di apprendimento non è una tecnica nuova, interesse per il settore è esploso negli ultimi anni.
Questa ripresa arriva sul retro di una serie di innovazioni, con un profondo apprendimento stabilendo nuovi record per la precisione in aree come il discorso e riconoscimento della lingua e della computer vision.
Ciò che è fatto di questi successi possibili sono principalmente due fattori, uno è la grande quantità di immagini, voce, video e di testo che è accessibile a ricercatori che cercano di formare macchina-sistemi di apprendimento.
Ma ancora più importante è la disponibilità di grandi quantità di elaborazione parallela di potenza, per gentile concessione di moderne unità di elaborazione grafica (Gpu), che possono essere collegati insieme in cluster a forma di apprendimento automatico potenze.
Oggi chiunque con una connessione internet è possibile utilizzare questi ammassi di treno apprendimento automatico di modelli, tramite i servizi cloud forniti da aziende come Amazon, Google e Microsoft.
Come l’uso di machine-learning ha preso il largo, in modo che le aziende stanno ora creando un hardware specializzato su misura per l’esecuzione di formazione e apprendimento automatico di modelli. Un esempio di uno di questi chip custom di Google Tensore di Unità di Elaborazione (TPU), la cui ultima versione accelera il tasso di apprendimento automatico di modelli costruiti utilizzando Google TensorFlow libreria di software in grado di dedurre informazioni da dati, così come il tasso a cui possono essere addestrati.
Questi chip non sono solo utilizzati per la formazione di modelli per Google DeepMind e Google Cervello, ma anche i modelli che sono alla base di Google Translate e il riconoscimento di immagini in Google Foto, oltre a servizi che permettono al pubblico di una macchina per la compilazione modelli di apprendimento utilizzando Google TensorFlow Ricerca Cloud. La seconda generazione di questi chip è stato presentato al Google I/O conference nel Maggio dello scorso anno, con un array di questi nuovi TPUs in grado di allenarsi a Google di apprendimento automatico modello utilizzato per la conversione in metà del tempo che ci vorrebbe un array di alto-fine Gpu, e il recentemente annunciato la terza generazione di TPUs in grado di accelerare la formazione e l’inferenza ancora di più.
Come hardware diventa sempre più specializzata e macchina-software per l’apprendimento quadri sono raffinati, sta diventando sempre più comune per ML compiti da svolgere sul consumer-grade telefoni e computer, piuttosto che in data center cloud. Nell’estate del 2018, Google ha fatto un passo verso di offrire la stessa qualità di traduzione automatica sui telefoni che sono offline è disponibile online, da dolci locali neurale di traduzione automatica per 59 lingue di Google Translate app per iOS e Android.
La grande scienza di dati speranza: Macchina di apprendimento in grado di curare il terribile dati igiene Macchina di apprendimento come un servizio: privacy Può essere insegnata? Cinque modi in cui la vostra azienda può iniziare attuazione AI e ML Perché l’IA e il machine learning bisogno di essere parte della vostra trasformazione digitale dei piani di
Che cosa è AlphaGo?
Forse la più famosa, la dimostrazione dell’efficacia della macchina-i sistemi di apprendimento è stato il 2016 trionfo di Google DeepMind AlphaGo IA umana, gran maestro di Go, un’impresa che non era previsto fino al 2026. Go è un antico gioco Cinese, la cui complessità ingannati computer per decenni. Andare dispone di circa 200 mosse per turno, contro i circa 20 nel gioco degli Scacchi. Nel corso di un gioco di Andare, ci sono tante possibili mosse che la ricerca attraverso ciascuno di loro in anticipo per identificare il miglior gioco è troppo costoso da un punto di vista computazionale. Invece, AlphaGo è stato addestrato come si gioca il gioco prendendo le mosse giocate da esperti in 30 milioni Vanno i giochi e li nutre in profondità-apprendimento delle reti neurali.
Formazione profondo-reti di apprendimento necessario, può richiedere un tempo molto lungo, che richiede grandi quantità di dati per essere ingerito e iterati come il sistema gradualmente affina il suo modello al fine di ottenere il risultato migliore.
Tuttavia, più recentemente Google raffinato il processo di formazione con AlphaGo Zero, un sistema che ha giocato “del tutto casuale” giochi contro se stessa, e poi apprese dai risultati. Lo scorso anno il prestigioso Neurali Sistemi di Elaborazione delle Informazioni (NIPS) conferenza, Google DeepMind CEO Demis Hassabis rivelato AlphaGo aveva anche imparato i giochi di scacchi e shogi.
DeepMind continuare a rompere un nuovo terreno nel campo dell’apprendimento automatico. Nel mese di luglio 2018, DeepMind riferito che l’IA agenti avevano insegnato loro come si gioca il 1999 multiplayer 3D sparatutto in prima persona di Quake III Arena, abbastanza per battere squadre di giocatori umani. Questi agenti imparato come si gioca il gioco utilizzando non più informazioni rispetto a giocatori umani, con il loro unico ingresso che è il pixel sullo schermo come hanno provato casuale azioni in gioco, e un feedback sulle loro prestazioni durante ogni partita.
Più di recente DeepMind dimostrato un’intelligenza artificiale agente in grado di sovrumana di prestazioni in più classico Atari games, un miglioramento rispetto ai precedenti approcci dove ogni AI agent può solo fare bene a un singolo gioco. DeepMind i ricercatori dicono queste funzionalità generali sarà importante se AI la ricerca è quello di affrontare i più complessi del mondo reale domini.
Google AlphaGo si ritira dopo aver battuto la cina campione del DeepMind AlphaGo Zero impara senza meatbag intervento
Che cosa è macchina di apprendimento?
Macchina di apprendimento vengono utilizzati sistemi intorno a noi, e sono una pietra miliare della moderna internet.
Macchina-sistemi di apprendimento sono utilizzate per consigliare quale prodotto si potrebbe desiderare di comprare il prossimo su Amazon o il video che si desidera può decidere di guardare Netflix.
Ogni ricerca su Google utilizza più macchine-sistemi di apprendimento, di comprendere il linguaggio nella query attraverso la personalizzazione dei risultati, in modo che gli appassionati di pesca alla ricerca di “basso” non sono inondati con i risultati sulle chitarre. Allo stesso modo di Gmail spam e phishing-riconoscimento usare sistemi di apprendimento automatico addestrati modelli per mantenere la vostra casella di posta libera messaggi canaglia.
Una delle più evidenti dimostrazioni della potenza della macchina di apprendimento sono assistenti virtuali, come Siri di Apple, Amazon Alexa, Google Assistente, e Microsoft Cortana.
Ognuno si basa fortemente sulla macchina di apprendimento per supportare il loro riconoscimento vocale e la capacità di comprendere il linguaggio naturale, nonché la necessità di un immenso corpus attingere per rispondere alle richieste.
Ma al di là di queste manifestazioni visibili di apprendimento automatico, sistemi stanno iniziando a trovare un impiego in ogni settore industriale. Questi sviluppi sono: computer vision per driverless cars, droni e la consegna di robot, di linguaggio e di discorso di sintesi e riconoscimento per chatbots e robot; il riconoscimento facciale per la sorveglianza in paesi come la Cina; aiutare i radiologi, per individuare i tumori in raggi x, aiutando i ricercatori per l’individuazione delle sequenze genetiche relative alle malattie e l’identificazione di molecole che potrebbero portare a farmaci più efficaci nell’assistenza sanitaria, consentendo per la manutenzione predittiva su infrastrutture analizzando IoT dati del sensore; alla base della computer vision che rende il cashierless Amazon Vai supermercato possibile, offerta ragionevolmente accurata trascrizione e la traduzione del discorso per incontri di lavoro — e la lista va avanti e avanti.
Deep-apprendimento alla fine potrebbe spianare la strada per i robot in grado di apprendere direttamente da esseri umani, con i ricercatori Nvidia recente creazione di un profondo sistema di apprendimento progettato per insegnare a un robot a come svolgere un compito, semplicemente osservando che il lavoro eseguito da un essere umano.
Avvio utilizza IA e di apprendimento automatico e in tempo reale di tutti i controlli in background Tre su quattro credono che AI applicazioni sono il prossimo mega trend Come onnipresente AI permeare tutto noi, senza la nostra conoscenza
Sono macchine-sistemi di apprendimento obiettivo?
Come ci si aspetterebbe, la scelta e l’ampiezza dei dati utilizzati per la formazione di sistemi di influenzare l’attività essi sono adatti per.
Per esempio, nel 2016 Rachael Tatman, un National Science Foundation Laureato ricercatore presso il Dipartimento di Linguistica dell’Università di Washington, ha scoperto che Google per il riconoscimento vocale del sistema risultati migliori per voci maschili rispetto a quelle femminili, quando i sottotitoli automatici un esempio di video di YouTube, un risultato che gli ha attribuito a ‘sbilanciato training set’ con una preponderanza di maschi altoparlanti.
Come macchina-sistemi di apprendimento a spostarsi verso nuove aree, come aiutare la diagnosi medica, la possibilità di sistemi di essere inclinata verso l’offerta di un servizio migliore e più equo trattamento per particolari gruppi di persone diventeranno probabilmente più di una preoccupazione.
Quali sono le migliori macchine-corsi di formazione?
Fortemente raccomandato corso per principianti per insegnare i fondamenti della macchina di apprendimento è questa libera Università di Stanford e Coursera serie di lezioni di AI di esperti e Google Cervello fondatore Andrew Ng.
Un altro altamente valutato corso gratuito on-line, lodato sia per l’ampiezza della sua copertura e la qualità del suo insegnamento, è questo EdX e la Columbia University introduzione alla macchina di apprendimento, anche se gli studenti non menzione richiede una solida conoscenza della matematica fino al livello universitario.
Come iniziare con la macchina di apprendimento?
Tecnologie progettato per consentire agli sviluppatori di insegnare loro circa macchina di apprendimento sono sempre più comuni, da AWS’ deep-learning fotocamera abilitata DeepLens di Google Raspberry Pi-powered AIY kit.
Quali servizi sono disponibili per l’apprendimento automatico?
Tutte le principali piattaforme cloud — Amazon Web Services, Microsoft Azure e Google Cloud Platform — fornire l’accesso all’hardware necessario per la formazione e l’esecuzione di apprendimento automatico di modelli, con Google lasciare la Piattaforma di Cloud agli utenti di testare il suo Tensore di Unità di Elaborazione — chip custom cui un design ottimizzato per la formazione e l’esecuzione di apprendimento automatico di modelli.
Questa infrastruttura cloud-based, include gli archivi di dati necessari per contenere la grande quantità di dati di training, servizi per preparare i dati per l’analisi e strumenti di visualizzazione per visualizzare i risultati in modo chiaro.
Nuovi servizi, anche di semplificare la creazione di custom apprendimento automatico di modelli, con Google recentemente rivelato di un servizio che consente di automatizzare la creazione di AI modelli, chiamato Cloud AutoML. Il drag-and-drop servizio si basa immagine personalizzata-riconoscimento di modelli e richiede che l’utente non hanno alcuna apprendimento automatico di competenza, simile a Microsoft Azure Machine Learning Studio. In una vena simile, Amazon ha recentemente presentato il nuovo AWS offerte progettato per accelerare il processo di formazione fino apprendimento automatico di modelli.
Per i dati di scienziati, Google Cloud ML di Motore è una macchina gestita-servizio di e-learning che consente agli utenti di treno, la distribuzione e l’esportazione personalizzato di apprendimento automatico di modelli basati su Google open source TensorFlow ML quadro o apri rete neurale quadro Keras, e che ora può essere utilizzato con la libreria Python sci-kit di imparare e XGBoost.
Gli amministratori di Database senza un background in scienza di dati possibile utilizzare Google BigQueryML, un servizio beta, che permette all’amministratore di chiamata addestrati apprendimento automatico di modelli utilizzando i comandi SQL, permettendo di previsioni nel database, che è più semplice di esportazione dei dati in un computer separato, di apprendimento e di analytics ambiente.
Per le aziende che non vogliono costruire il proprio apprendimento automatico di modelli, le piattaforme cloud, inoltre, di offrire AI-powered, servizi on-demand-come la voce, la visione e riconoscimento della lingua. Microsoft Azure si distingue per l’ampiezza dei servizi on-demand in offerta, seguiti a ruota da Google Cloud Platform e quindi AWS.
Nel frattempo IBM, accanto ai suoi più generale su richiesta offerte, è anche il tentativo di vendere specifico di settore, AI servizi rivolti a tutto, dalla sanità alla vendita al dettaglio, il raggruppamento di queste offerte insieme sotto il suo IBM Watson ombrello.
Primi nel 2018, Google ampliato la sua macchina-apprendimento guidato di servizi per il mondo della pubblicità, il rilascio di una suite di strumenti per rendere più efficaci gli annunci, fisica e digitale.
Mentre Apple non godono della stessa fama all’avanguardia per il riconoscimento vocale, l’elaborazione del linguaggio naturale e di computer vision come Google e Amazon, sta investendo nel miglioramento dei propri AI servizi, di recente messa di Google, ex capo in carica di machine learning e di IA strategia dell’azienda, tra cui lo sviluppo del suo assistente Siri e la sua domanda di machine learning service Core ML.
Nel settembre 2018, NVIDIA ha lanciato un combinato piattaforma hardware e software progettati per essere installati all’interno dei datacenter in grado di accelerare la velocità di cui addestrato apprendimento automatico di modelli possono svolgere voce, video e riconoscimento di immagini, nonché di altre ML di servizi connessi.
NVIDIA TensorRT Hyperscale Inferenza Piattaforma utilizza NVIDIA Tesla T4 Gpu, che fornisce fino a 40x le prestazioni della Cpu quando si utilizza apprendimento automatico di modelli per fare inferenze a partire da dati, e la TensorRT piattaforma software, che è stato progettato per ottimizzare le prestazioni di personale di reti neurali.
Amazon Web Services aggiunge ulteriori dati e ML di servizi, ma quando è abbastanza sufficiente? Microsoft Sottolinea Scelta, Da SQL Server 2017 per Azure Machine Learning Splunk aggiornamenti faro suites con macchina di apprendimento, AI progressi
Che librerie software sono disponibili per iniziare a lavorare con la macchina di apprendimento?
Ci sono una vasta gamma di strutture software per iniziare con la formazione e l’esecuzione di apprendimento automatico di modelli, in genere per i linguaggi di programmazione Python, R, C++, Java, MATLAB.
Famosi esempi includono Google TensorFlow, open-source biblioteca Keras, il libreria Python Scikit imparare, il deep learning framework CAFFE e la macchina-learning library Torcia.
Ulteriori letture
Relazione speciale: Sfruttando IoT dell’impresa (free PDF) (TechRepublic) apprendimento automatico e l’Internet delle Cose Machine learning: Un foglietto (TechRepublic) Analytics nel 2018: AI, IoT e multi-cloud, busto o 5 consigli per superare machine learning adozione di barriere dell’impresa (TechRepublic)
Argomenti Correlati:
Amazon
La Trasformazione Digitale
CXO
Internet delle Cose
L’innovazione
Enterprise Software
0