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

    +

ML e GCP
In questo argomento verrà introdotto alle diverse opzioni che esistono in GCP quando si tratta di leveraging machine learning e First Sebbene esploreremo il rapporto tra l'apprendimento automatico, l'intelligenza artificiale e il deep learning. Una domanda molto comune ha chiesto che cosa ne sia la differenza tra una macchina di intelligenza artificiale che impara e deep learning bene un modo per pensarci bene è che l'AI è la disciplina come la fisica, si riferisce a macchine capaci di agire autonomamente per costruire macchine che possono risolvere problemi pensando e comportarsi come umani, Machine learning all'interno c'è un toolset come le leggi della fisica e della meccanica come si può usare le leggi di Newton che per capire quanto tempo ci vorrà una palla per scendere e cadere dalla scocca, si può usare l'apprendimento automatico per risolvere certi tipi di problemi usando esempi di dati ma senza la necessità di alcun codice personalizzato. Deep learning è un tipo di machine learning che funziona anche se i dati sono costituiti da dati non strutturati come immagini, discorso, video, linguaggio naturale, testo etc Un tipo di deep learning è la classificazione delle immagini una macchina può imparare a classificare le immagini in categorie quando è mostrato un sacco di esempi diversi e una cosa davvero figa sul deep learning è che spesso in un problema davvero complesso può fare meglio di un umano alla differenza di base tra l'apprendimento automatico e altre tecniche in AI è che l'apprendimento automatico, le macchine imparano a non far uscire intelligenti che diventano intelligenti intelligente. Tornando al nostro esempio, diciamo che abbiamo costruito un modello di machine learning per trovare parti fabbricate male e vogliamo rimuoverle. Il controllo di qualità è ormai abbastanza poco costoso quindi ciò che il fattore di business che ci spinge a isn on t my business risparmierà denaro che potrebbe aggiungere il controllo di qualità in tutto il nostro intero processo produttivo invece di fare solo il controllo di qualità alla fine della linea di produzione, ora possiamo inserire ovunque migliorare la qualità complessiva. L'opportunità è per le organizzazioni di approfittare della facilità di creare nuovi modelli per continuare a trasformare il proprio business così ora che sai cosa è ml e spero che tu stia iniziando a inventarti quelle idee del tuo davvero bene insieme. Gran parte dell'hype sull'AI ora è che le barriere all'ingresso di costruire i modelli sono diminuite drasticamente. Voi don non dovete essere un fisico astra per fare machine learning. La crescente disponibilità di dati la crescente maturità e sofisticazione di quegli algoritmi ml per te da scegliere e la potenza crescente nella disponibilità di hardware e software informatici attraverso cose come il cloud computing. Immaginate di voler costruire quel modello identificare le foglie dismesse per prevedere la salute degli alberi ricordate che possiamo farlo usando un algoritmo standard per l'elaborazione della classificazione delle immagini basti sapere quale algoritmo deve scegliere off - scaffale. Un altro ingrediente critico per ml è che i dati, dobbiamo raccogliere moltissimmi di immagini di foglie. Finalmente abbiamo bisogno dell'hardware e del software per far sì che accada e che i più facili ora di quanto non lo siano mai stati in passato. Possiamo usare il cloud per alimentare il nostro modello ml in modo da poterlo fare in modo efficace. Diverse opzioni esistono quando si tratta di far leva sull'apprendimento automatico, gli utenti avanzati che desiderano maggiore controllo sull'edificio e la formazione dei loro modelli di ml utilizzano strumenti che offrono i livelli di flessibilità che cercano. Questo può comportare lo sviluppo di modelli personalizzati attraverso una libreria ML come i thats tensor flow supportati su piattaforma AI. Questo opton funziona bene per gli scienziati dei dati con le competenze e la necessità di creare un modello di tensorflow personalizzato. Ma incesse che tu non abbia a che fare con il quale Google rende disponibile la potenza del machine learning anche se hai una conoscenza limitata di ML puoi utilizzare Cloud AutoML per costruire sulle funzionalità di machine learning di Google le funzionalità per creare i tuoi modelli di machine learning personalizzati su misura per le tue specifiche esigenze aziendali e poi intergrattare quei modelli nelle applicazioni o nei siti web tutti senza eseguire un codice di tensorflow. In alternativa Google ha una gamma di modelli di machine learning preformati che sono pronti per un utilizzo immediato con applicazioni in modi che le rispettive API sono progettate per supportare modelli preformati sono eccellenti modi per sostituire l'input dell'utente con l'apprendimento automatico.