Machinaal Leren In Actie E-Book

Alan T. Norman

• Herausgeber: Tektime
• Kategorie: Wissenschaft und neue Technologien
• Sprache: Niederländisch
• Veröffentlichungsjahr: 2020

Seitenzahl: 56

Beschreibung

Bent u op zoek naar een basisboek om u op weg te helpen met de basisconcepten van Machinaal leren?
Mijn boek zal u de basisconcepten uitleggen op manieren die gemakkelijk te begrijpen zijn.

Zodra u dit boek hebt gelezen, zult u een stevige greep op de kernprincipes hebben die het gemakkelijker zullen maken om aan een geavanceerder boek te stappen indien u meer wilt leren.

Informational Technology bedrijf in het hart van SFC.

Hij streeft ernaar om te werken voor de Amerikaanse overheid als een security hacker, maar houdt ook van het onderwijzen van anderen over de toekomst van technologie.
Alan is ervan overtuigd dat de toekomst zal sterk vertrouwen op computer ”geeks” voor zowel de veiligheid en de successen van bedrijven en toekomstige banen gelijk. In zijn vrije tijd, hij houdt van analyseren en alles onderzoeken over het spel van basketbal.

Leseprobe

Machinaal leren in actie

Een primer voor de Leek

Alan T. Norman

Vertaler: Zaim Mohamed

Copyright © Alan T. Norman 2018. Alle rechten voorbehouden.

Geen enkel deel van deze publicatie mag worden gereproduceerd, gedistribueerd of verzonden in welke vorm of op welke manier dan ook, inclusief fotokopiëren, opnemen of andere elektronische of mechanische methoden, of door een systeem voor het opslaan en ophalen van informatie zonder de voorafgaande schriftelijke toestemming van de uitgever, behalve in het geval van zeer korte citaten die opgenomen zijn in kritische recensies en bepaalde andere niet-commerciële toepassingen die door het auteursrecht toegestaan zijn.

Inhoudsopgave

Waarom ik dit boek geschreven heb

Dit boek gaat niet over het coderen van algoritmen voor machinaal leren

Hoofdstuk 1. Wat is machinaal leren?

Expliciet programmeren versus algoritme-training

Definities: kunstmatige intelligentie versus machinaal leren versus neurale netwerken

Basisbegrippen

Begeleid versus onbewaakt leren

Welke problemen kan machinaal leren oplossen?

De zwarte doos: wat we niet over machinaal leren weten

Dieper gaand

Hoofdstuk 2. Datasets opschonen, labelen en beheren

De dataset opschonen

Zeer grote datasets nodig voor ML

Moet goed worden geëtiketteerd

Hoofdstuk 3. Een ML-algoritme kiezen of schrijven

Basisbegrippen

Populaire algoritmetypen

Wat er nodig is om een nieuw algoritme te schrijven

Hoofdstuk 4 Een algoritme trainen en inzetten

Betrokken programmering

Statisch versus dynamisch

Afstemmen en feature-engineering

Een algoritme weggooien

5. Probleemoplossing Real-world toepassingen van machinaal leren

Vervoer

Productaanbevelingen

Financiering

Spraakassistenten, slimme huizen en auto's

Conclusie

Bitcoin Whales-bonusboek

Waarom ik dit boek geschreven heb

Welkom in de wereld van machinaal leren!

Kunstmatige intelligentie is klaar om de loop van de menselijke geschiedenis te veranderen, misschien wel meer dan welke technologie dan ook. Een groot deel van die revolutie is machinaal leren.

Machinaal leren is de wetenschap van het leren van computers om voorspellingen op basis van gegevenste te doen. Op een basisniveau houdt machinaal leren in dat u een computer een set gegevens geeft en deze om een voorspelling te doen vraagt. Al vroeg krijgt de computer veel verkeerde voorspellingen. In de loop van duizenden voorspellingen zal de computer zijn algoritme echter opnieuw aanpassen om betere voorspellingen te doen.

Dit type voorspellend computergebruik was voorheen onmogelijk. Computers konden eenvoudigweg niet genoeg gegevens opslaan of deze snel genoeg verwerken om effectief te leren. Nu, elk jaar, worden computers in rap tempo slimmer. Vooruitgang in gegevensopslag en verwerkingskracht drijven deze trend naar slimmere machines. Het resultaat is dat computers tegenwoordig dingen doen die tien of twee jaar geleden ondenkbaar waren.

Machinaal leren heeft al invloed op uw dagelijkse leven. Amazon gebruikt machinaal leren om te voorspellen welke producten u wilt kopen. Gmail gebruikt het om spamberichten uit je inbox te filteren. Je filmaanbevelingen op Netflix zijn op machinaal leren algoritmen gebaseerd.

De invloed van machinaal leren houdt hier echter niet op. Algoritmen voor machinaal leren doen voorspellingen in allerlei bedrijfstakken, van landbouw tot gezondheidszorg. Bovendien zullen de gevolgen ervan elk jaar in nieuwe industrieën en op manieren voelbaar zijn. Naarmate deze nieuwe toepassingen van machinaal leren opduiken, zullen we ze geleidelijk als onderdeel van het normale leven accepteren. Niettemin is deze nieuwe afhankelijkheid van intelligente machines een keerpunt in de geschiedenis van de technologie, en de trend versnelt alleen maar.

In de toekomst zullen machinaal leren en kunstmatige intelligentie over het algemeen de automatisering van veel taken die mensen tegenwoordig uitvoeren sturen. Zelfrijdende auto's vertrouwen op machinaal leren voor beeldherkenning en ze zullen in toenemende mate deel van het vervoer uitmaken, net als zelfrijdende vrachtwagens en andere voertuigen om goederen te vervoeren. Een groot deel van de landbouw en productie is nu geautomatiseerd, zodat machinaal leren het voedsel dat we consumeren en goederen die we gebruiken levert. De trend naar automatisering versnelt alleen maar. Andere machinaal leren-toepassingen kunnen het dagelijkse werk van mensen fundamenteel veranderen naarmate machines bedrevener in het beheren van processen en het voltooien van kenniswerk worden.

Aangezien machinaal leren zo'n grote impact op het dagelijks leven zal hebben, is het belangrijk dat iedereen toegang tot informatie over hoe het werkt, heeft. Daarom heb ik dit boek geschreven. Het huidige landschap voor machinaal leren-informatie is opgesplitst.

Ten eerste, zijn er verklaringen voor het grote publiek die de concepten verzachten. Deze uitleggers zorgen ervoor dat machinaal leren lijkt op iets wat alleen een expert begrijpen kan.

Ten tweede, zijn er de technische documenten geschreven door experts voor experts. Ze sluiten het grote publiek met jargon en complexiteit uit. Het is duidelijk dat het schrijven en uitvoeren van een machinaal leren-algoritme een enorme technische prestatie is, en deze technische uitleg belangrijk is. Er zit echter een gat in de huidige literatuur over machinaal leren.

Hoe zit het met de leek die deze technologische revolutie echt wil begrijpen, niet per se om code te schrijven, maar om inzicht te krijgen in de veranderingen die om hem heen plaatsvinden? Het begrijpen van de kernconcepten van machinaal leren moet niet tot een technologische elite beperkt blijven. Deze veranderingen zijn van invloed op ons allemaal. Ze hebben ethische consequenties, en het is belangrijk dat het publiek alle voor- en nadelen van machinaal leren kent.

Daarom heb ik dit boek geschreven. Als dat interessant voor je klinkt, hoop ik dat je ervan geniet.

Dit boek gaat niet over het coderen van algoritmen voor machinaal leren

Als dat manifesto van een inleiding niet duidelijk genoeg was: dit is geen boek over codering. Het is niet bedoeld voor computer wetenschappers om te leren hoe ze algoritmen voor machinaal leren kunnen creëren.

Om te beginnen ben ik bij lange na niet gekwalificeerd om zo'n boek te schrijven. Mensen besteden jaren aan het leren van de fijne kneepjes van het schrijven van algoritmen en trainingsnetwerken. Er zijn hele PhD-programma's die de randen van het veld verkennen, op basis van lineaire algebra en voorspellende statistieken. Als je diep in de details van machinaal leren duikt en er genoeg van houdt om een doctoraat te behalen, zou je gemakkelijk $ 300.000 tot $ 600.000 kunnen verdienen door voor een groot technologiebedrijf te werken. Dat is hoe zeldzaam en waardevol deze vaardigheden zijn.