Loading

Alison's New App is now available on iOS and Android! Download Now

Module 1: Let Machines Do il Lavoro

Study Reminders
Support
Text Version

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Introduzione a Machine Learning
Il mondo è pieno di cose che siamo in grado di reagire e di capire senza molto pensare ad esempio considerare un segno di stop che si trova parzialmente coperto da Neve è ancora un segno di stop o una sedia che si trova cinque volte più grande del solito ma che è ancora un posto per sedersi ma per i computer che don ha il vantaggio di crescere e imparare le nuances di questi oggetti il mondo è spesso molto più messico e complicato. Per il primo argomento inizieremo con un video chiamato dando senso a un mondo messico dove gli ingegneri e i ricercatori di Google discutono di come l'apprendimento automatico stia iniziando a fare computer e molte delle cose che le usiamo per come le mappe ricerca video traduzioni e tanto meglio. Quindi hai sentito molto parlare di machine learning o ml permette di iniziare con la definizione quello che è ML qui è la definizione che mi piace usare ML un modo per ottenere intuizioni predittive dai dati per fare in modo che le decisioni ripetute ti offra di fare questo usando algoritmi che sono relativamente generali e applicabili a un'ampia varietà di dati pensano ad un'azienda nel modo in cui i dati utente oggi hanno forse un pannello di controllo che gli analisti aziendali e i decisori considerano su base mensile questo è un esempio di utilizzo arretrato dei dati che guardano ai dati storici per creare report e dashboards persone tendono a significare quando si parla di BI o di business intelligence un sacco di dati analytics è arretrato nulla di sbagliato quando istead si usa ml o machine learning per generare approfondimenti previsionali o predittivi potrebbero essere per fare quelle decisioni forse gli analisti di business esaminano i dati e suggeriscono nuove politiche o regole possono suggerire per esempio che i mondi di un prodotto in una certa regione ora che l'analista di business sta facendo un'intuizione predittiva ma è che scalabile possa fare in modo che l'analista di business faccia una tale decisione per ogni prodotto unico in ogni singola regione e possono regolare dinamicamente il prezzo ogni secondo ora qui è dove i computer si mettono coinvolti per prendere decisioni intorno a intuizioni predittive ripetibili hai bisogno di un programma informatico per ricavare quelle intuizioni per te. Così ml sta per fare previsioni predittive dai dati molti minuto in cui mi piace scalare BI e prendere decisioni l'altra parte della definizione dei macchinari è intorno all'uso degli algoritmi standard ML utilizza algoritmi standard per risolvere ciò che sembra problemi apparentemente diversi normalmente quando pensiamo ai computer se si pensa ai computer se si pensa che i nostri programmi che fanno cose diverse per esempio il personale sono stati usati per archiviare le tue tasse è un posto molto diverso da dove hanno usato per arrivare le indicazioni a casa quando si torna a guidare. L'apprendimento automatico è un po' diverso si usa lo stesso software sotto il cofano, quel di cui si intende quando diciamo ml usa algoritmi standard ma si può addestrare quel software a fare cose molto diverse è possibile formare il software per stimare quantità di tasse che si devono o si allenano che stessi software per stimare la quantità di tempo che ci vorrà per portarvi a casa. Il treno yout del software ML sul tuo specifico caso d'uso è chiamato modello quindi ora hai un modello in grado di stimare le tue tasse o il tempo per farti tornare a casa usiamo il modello di termine perché si tratta di un'approssimazione che fa da modello di realtà. Ad esempio abbiamo dato al computer molti dati storici sui tempi di guida e la città di New York e imparerà le relazioni e il traffico dati in polvere e la stagione il nostro tempo di impatto giornaliero per prevedere oggi i tempi di commessa di oggi a casa qualunque sia la modellazione del dominio ml richiede molti esempi di allenamento. Alleneremo il modello per stimare le tasse mostrandole molti esempi di ritorni fiscali dell'anno precedente, addestreremo il modello a stimare la durata del viaggio mostrando a molti molti viaggi diversi così la prima fase di ml è quella di formare un modello da ml con tanti esempi buoni. Un esempio è costituito da un input nella risposta corretta per quell' input che i suoni che si chiama etichetta nel caso di dati strutturati che sono righe e colonne di dati un input può semplicemente essere una sola riga di dati in dati non strutturati come immagini un input può essere un'immagine singola dire come una nuvola che si vuole classificare è questa come una nube di pioggia o è questa non. Ora immaginate di lavorare per un'azienda manifatturiera che volete allenare il modello di macchinari per rilevare difetti in queste parti prima che vengano assemblate nel prodotto finale per gli utenti. Beh potresti iniziare raccogliendo un dataset delle immagini per queste parti. Alcune di queste parti del bene alcune di queste parti possono essere fratturate o rotture e per ogni immagine si allineerà l'etichetta corrispondente la giusta risposta spezzata o non spezzata a pezzi e poi usare questo esempio come dati formativi per il vostro modello dopo aver allenato il modello potrete poi usare per prevedere l'etichetta di immagini che non ha mai visto prima. Imparare dal passato prevedere per il futuro qui il vostro input per il modello di formazione è un'immagine della parte perché il modello è già stato addestrato correttamente per prevedere a questa festa è in buone condizioni notare che l'immagine qui è diversa da quelle utilizzate nei nostri esempi formativi ma funziona ancora perché il modello ml ha un 'mt 'generalizzato e hasn' t memorizza l'allenamento fatto degli esempi specifici che saprete si impara un'idea più generale di cosa una buona parte guardando con una buona condizione per quella parte sembra così perché diciamo che questi algoritmi sono standard bene gli algoritmi esistono indipendentemente dal tuo caso d'uso anche se rilevando difetti di fabbricazione e parti e in quelle immagini e rilevando qualcosa come le foglie dismesse e le immagini degli alberi sono due casi di utilizzo molto diversi lo stesso algoritmo nella rete di classificazione delle immagini funziona per entrambi. Allo stesso modo i peggiori album valutati per prevedere il valore futuro di un dataset di serie Time o trascrivere il discorso umano al testo rezna è un algoritmo standard per la classificazione delle immagini lo sanno bene che non è fondamentale capire come funziona un algoritmo di classificazione delle immagini solo che si tratta dell'algoritmo che si dovrebbe utilizzare se si ha bisogno di classificare le immagini di Arts quando si utilizza lo stesso algoritmo e i diversi dataset ci sono diverse funzionalità o input rispetto ai diversi casi d'uso e li si possono vedere rappresentati visivamente qui. Si potrebbe chiedere a se stessi isn m la logica diversa è possibile utilizzare le stesse regole per identificare i difetti e la manifattura che si fa quando si identificano diversi tipi di foglie si ha ragione la logica è diversa ma ml doesn usa logico se poi regola. La rete di classificazione delle immagini è sn like che fuori dalle regole se questo allora che ma una funzione che impara a distinguere tra categorie di immagini così anche se iniziamo con lo stesso algoritmo standard dopo aver allenato il modello allenato che classifica le foglie è diverso dal modello allenato che classifica le parti manifatturiere e indovina cosa si può effettivamente ri usare lo stesso codice per gli altri casi d'uso si focalizzano sullo stesso tipo di attività così quando il nostro esempio ci troviamo a identificare i difetti di fabbricazione ma i test di alto livello con immagini classificabili è possibile riutilizzare lo stesso codice per un altro problema di classificazione delle immagini come trovare esempi dei tuoi prodotti nelle foto pubblicate sui social media comunque devi allenarlo separatamente per ogni caso di utilizzo. La cosa principale da sapere è che per la machine learning il tuo modello sarà valido solo come i tuoi dati e più spesso di non sei tu che sei un sacco di dati da macchinari per il nostro esempio di cui abbiamo parlato hai bisogno di un grande dataset di esempi storici sia di parti respinte che di parti in buone condizioni al fine di formare un modello per catalogare la parte difettosa o non il motivo fondamentale per cui un modello ml ha bisogno di dati formativi di alta qualità è perché questi non hanno conoscenze generali umane come noi facciamo dei dati è l'unica cosa che hanno accesso per imparare da