Программирование [thegreatcourses] Введение в машинное обучение (2022)

[Trinity]

[thegreatcourses] Введение в машинное обучение (2022)

Мы живем на планете с миллиардами людей, но также и с миллиардами компьютеров, многие из которых запрограммированы оценивать и принимать решения так же, как это делают люди. Мы еще не живем среди действительно интеллектуальных машин, но они к этому стремятся, и знание того, как машины учатся, имеет решающее значение для всех, от профессионалов до студентов и обычных граждан. Машинное обучение проникает в нашу культуру множеством способов, с помощью инструментов и практик, от медицинской диагностики и управления данными до синтеза речи и поисковых систем.

Являясь ответвлением искусственного интеллекта, машинное обучение выводит программирование на гигантский шаг за пределы традиционной роли компьютеров в рутинной обработке данных, такой как планирование, ведение счетов и выполнение расчетов. Теперь компьютеры программируют так, чтобы они сами выясняли, как решать проблемы — проблемы настолько сложные, что люди часто не знают, с чего начать. Действительно, машинное обучение стало настолько продвинутым, что часто даже эксперты не знают, как компьютер приходит к решению, которое он делает.

Введение в машинное обучение демистифицирует эту революционную дисциплину в 25 самостоятельных уроках, проведенных отмеченным наградами педагогом и исследователем Майклом Л. Литтманом, семейным профессором Ройсов по преподаванию передового опыта в области компьютерных наук в Университете Брауна. Доктор Литтман знакомит вас с историей, концепциями и методами машинного обучения, используя популярный компьютерный язык Python, чтобы дать вам практический опыт работы с наиболее широко используемыми программами и специализированными библиотеками.

Для новичков в Python этот курс включает в себя лекцию, которая представляет собой специальное руководство о том, как начать работу с этим универсальным, простым в использовании языком. Профессор Литтман включает примерно одну демонстрацию Python в каждый урок. Даже если вы никогда не писали код на Python или любом другом языке, вы все равно можете запустить эти программы для себя, чтобы почувствовать удивительную силу машинного обучения.

Копаться в деталях
В разделе « Введение в машинное обучение » вы исследуете три основных типа репрезентативных пространств, уделяя особое внимание типам проблем, с которыми они лучше всего справляются.

• Деревья решений : любой, кто имел дело с меню телефона, сталкивался с деревом решений. «Для продаж нажмите 1. Для учетных записей нажмите 2». За каждым выбором следуют дополнительные варианты, пока вы не получите нужного человека или отдел. Деревья решений естественным образом подходят для задач машинного обучения, которые требуют рассуждений типа «если-то», таких как многие медицинские диагнозы.
• Байесовские сети : в отличие от деревьев решений, которые полагаются на последовательность выводов, байесовские сети предполагают выводы на основе вероятности. Они хорошо подходят для случаев, когда вам нужно работать в обратном направлении от данных к их вероятным причинам. Ярким примером является программное обеспечение, которое идентифицирует вероятные спам-сообщения.
• Нейронные сети . Созданные для работы подобно нейронам в мозгу, нейронные сети превосходно справляются с перцептивными задачами, такими как распознавание изображений, обработка речи и классификация данных. Глубокие нейронные сети состоят из сетей сетей и являются сердцем революции «глубокого обучения», которую подробно описывает профессор Литтман.

Материал на английском языке

Подробнее:

Для просмотра ссылок необходимо выполнить Вход или Регистрация

Скачать:

Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.