Wang Xinmin, Hackernoon'dan derlendi
Qubit Üretildi | Genel Hesap QbitAI
Mevcut toplumda, teknoloji her geçen gün değişiyor.Eğer tam donanımlı bir mühendis, yeni bilgiler öğrenmezse ve yapay zeka becerilerine zamanında hakim olmazsa, iki yıl içinde "tam yığın" olarak kabul edilmeyecektir.
Bunu fark ettikten sonra, ürün tutkunu ve kullanıcı arabirimi olan Shival Gupta, iki aydan uzun süren keşifler boyunca temel AI becerilerinde ustalaştı ve öğrenim yolculuğunu Hackernoon'da paylaştı.
Kübitler buraya getirilir, onun öğrenme fikirlerine başvurabilirsiniz.
Yeni başlayanlar için herkesin tavsiyesi, başlamak için genellikle Wu Endanın Coursera kursudur.
Bu iyi bir başlangıç, ancak dersi dinlerken odaklanmam benim için zor. Bu dersin iyi olmadığı ya da başka problemler olduğu için değil, ama gerçekten dinlemeye konsantre olmaktan nefret ediyorum. Pratik yoluyla öğrenmeye alışkınım, öyleyse neden bunu yapmayalım?
Sinir ağını uygulamaya başlayalım.
Doğrudan sinir ağlarına atlamadım çünkü hala bazı temel içeriğe aşina olmam gerekiyor. Dil öğreniminin bir sonraki adımının yolunu açmak için öncelikle bu alandaki tüm uygun isimlere aşina olmaya çalışıyorum.
Başka bir deyişle, İlk görev öğrenmek değil, alana aşina olmaktır.
Geliştirme için JavaScript ve Nodejs kullanan bir ön uç mühendisiyim Şimdilik arka uca geçmek istemiyorum, bu yüzden nn adında basit bir sinir ağı modülü buldum ve sanal girişli bir AND geçidi uygulamak için kullandım.
Şu soruyu seçtim: Herhangi bir X, Y ve Z girişi için çıktı, X ve Y'nin AND işleminin sonucudur.
Aşağıdaki uygulama kodudur:
var nn = gerekli ('nn') var opts = { katmanlar: , yinelemeler: 300000, errorThresh: 0.0000005, aktivasyon: 'lojistik', öğrenme oranı: 0.4, momentum: 0,5, günlük: 100 } var net = nn (seçenekler) net.train () // eğitimli çıktısını görmek için ona yeni bir girdi gönderin var output = net.send () console.log (çıktı); //0.9971279763719718Bu sorunun seçimi, 9 satır kodla sinir ağları kurma üzerine bir öğreticiden esinlenmiştir. Adres: https://medium.com/technology-invention-and-more/how-to-build-a-simple-neural-network-in-9-lines-of-python-code-cc8f23647ca1
Kanımca, yukarıdaki yapım süreci beni bir sonraki çalışmada güven dolu kılıyor. Çıktı değeri 0.9971 olduğunda, ağın bir "ve" işleminin nasıl uygulanacağını öğrendiğini ve alakasız olan fazladan girdileri görmezden geldiğini fark ettim.
Makine öğreniminin özü budur. Bilgisayar programına bir dizi veri girerek ve programın dahili parametrelerini ayarlayarak, eğitim setinden gözlemlenen hatayı azaltacak şekilde yeni sorunun cevabını alabilir.
Daha sonra bu yönteme gradyan iniş denildiğini öğrendim.
Gradyan inişinin şematik diyagramı
İlk AI programımı uyguladıktan sonra, kendime güvenim doluydu ve bir geliştirici olarak makine öğrenimi ile başka neler yapılabileceğini bilmek istedim.
1. Regresyon ve sınıflandırma gibi denetimli öğrenmeyle ilgili birkaç sorunu çözdüm.
2. Çok sınırlı bir veri setine dayanarak, belirli bir IPL e-spor yarışmasını hangi takımın kazanacağını tahmin etmek için çok değişkenli doğrusal regresyon kullanmaya çalıştım. Asıl tahmin etkisi çok zayıf, ancak bence çok havalı.
3. Yapay zekanın neler yapabileceğini anlamak için bazı Google Makine Öğrenimi Bulutu demolarını denedim.
Adres: https://cloud.google.com/products/machine-learning/
4. Anderson-Horowitz Venture Fund tarafından derlenen bir kuru mal web sitesi olan AI Playbook (makalenin sonundaki bağlantı 5) ile karşılaştım. Gerçekten de geliştiriciler ve girişimciler için en uygun kaynaklardan biri.
AI Başucu Kitabı. Adres:
5. Derin öğrenme ve makine öğrenimi odaklı bir köşe olan Siraj Rawal'ın harika videosunu Youtube'da izlemeye başladım.
Video adresi:
https://www.youtube.com/channel/UCWN3xxRkmTPmbKwht9FuE5A
6. HackerNoon'un "Silicon Valley" ekibinin gösteride Not Hotdog uygulamasını yapmak için Tensorflow'u nasıl kullandığıyla ilgili önceki makalesini okudum. Bu, derin öğrenmedeki en kolay örneklerimizden biridir.
HBO bu uygulamayı gerçekten yaptı (yalnızca Amerika Birleşik Devletleri ve Kanada'da):
https://www.seefoodtechnologies.com/nothotdog/
Makale adresi:
https://medium.com/@timanglade/how-hbos-silicon-valley-built-not-hotdog-with-mobile-tensorflow-keras-react-native-ef03260747f3
7. Andrej Karpathy'nin blogunu (https://karpathy.github.io/) okudum, Tesla'nın AI direktörü. İçeriğin bir kısmını anlayamasam da başımı ağrıttı ama biraz daha zaman geçirdikten sonra bu kavramları belirli bir şekilde anladığımı fark ettim.
8. Güvenle, derin öğrenme dersinde bazı kodları kopyalayıp yapıştırarak satır satır uygulamaya başladım ve ilgili modelleri eğitmek için kodu kendi bilgisayarımda çalıştırdım. Çok sıkıştı ... Çoğu model uzun bir eğitim süresi gerektirdiğinden benim de bir GPU'm yok.
Yavaş yavaş, programlama dilini Javascript'ten Python'a değiştirdim ve Windows makinesine Tensorflow'u kurdum.
Tüm bu süreç, bilgiyi pasif bir şekilde kabul etmeye ve bir bilgi tabanı oluşturmaya odaklanıyor, bu yüzden gerçek bir kullanıcı problemiyle karşılaştığımda, onu çözmek için mevcut bilgiyi kullanabilirim.
Jobs'un dediği gibi, bağlantıyı ancak geçmişe bakarak anlayabilirsiniz.
"Her" filminin büyük bir hayranı olarak, bir chatbot yapmak istiyorum. Tensorflow'u iki saat içinde nasıl kullanacağımı öğrenmeyi başardım ve bu deneyimi ve kullanıcı ihtiyaçları konusundaki anlayışımı bir makalede derledim.
Bu chatbot'u yapmadan önce, NLP anlayışım kavramsal seviye ile sınırlıydı.
Piyasadaki birçok sohbet robotunu denedikten sonra, bunların aslında sadece grafiksel kullanıcı arayüzünün yerini aldıklarını öğrendim. Grafik kullanıcı arayüzünde ikiden fazla tıklama ile çalışırsanız, chatbot'u kullanma deneyimi daha iyi olacaktır, aksine, sohbet biçimi gereksizdir.
Bir chatbot oluşturmaya başladığımda, ilk önce kendim için iki ilke belirledim:
1. Sohbet robotu insan dilini konuşmalıdır, bu da doğal dili anlaması gerektiği anlamına gelir;
2. Grafik kullanıcı arayüzünde ikiden fazla adım gerektiren sorunları çözmek için sohbet robotlarını kullanmak gerekir.
Analizden sonra, doğru tarihi bulmak için doğal dil komutlarını kullanan bir chatbot oluşturmayı seçtim. Örneğin, "6 gün sonra tarih nedir?", "Önümüzdeki Eylül'den 5 hafta sonra" gibi sorular sorabilirsiniz.
Mimari şöyle:
Ardından, temel NLP becerilerini ve softmax tabanlı sinir ağını kullanarak iki saatten daha kısa bir sürede İnternette bir öğreticiyi takip ettim (Adres: https://chatbotsmagazine.com/contextual-chat-bots-with-tensorflow-4391749d0077) Bir sorgu amacı sınıflandırıcısı oluşturulur.
Kullanıcının niyetini belirledikten sonra, sistem dizeyi ayrıştırıp girecek ve ardından sorgulamak istediğim tarihi döndürecektir.
Cidden, zor değil. Facebook Messenger Platformu, Telegram'ın Bot Platformu veya api.ai, wit.ai, recast.ai ve diğer araçları kullanırsanız, benden daha hızlı olabilir.
Sohbet robotları oluşturmayla ilgili daha fazla ipucu için şu bağlantıya bakın:
https://hackernoon.com/i-built-a-chatbot-in-2-hours-and-this-is-what-i-learned-f5dbb4ba5fcc
Yapay zeka öğrenme yolculuğumda bu makalenin dönüm noktası niteliğinde bir anlamı var.
Twitter ve LinkedIn'de birçok arkadaş edinmemi sağladı, AI teknolojisinin gelişimini benimle uzun süre tartıştılar ve hatta zorluklarla karşılaştığımda bana yardımcı oldular. Danışmanlık projeleri hakkında bazı teklifler aldım. Beni daha da mutlu eden şey, bazı genç geliştiricilerin ve yapay zekaya yeni başlayanların bana yapay zekaya nasıl başlayacağımı sormasıydı.
Bu aynı zamanda daha fazla insanın deneyimlerimden ipuçları almasına ve öğrenme yolculuklarına başlamasına yardımcı olmayı umarak bu makaleyi yazmamı sağladı.
Tüm başlangıçlar zordur.
Bu hiçbir şekilde basit bir mesele değildir.
Başlangıçta Javascript kullandım ama sonra aniden Python'a geçtim ve Python'da nasıl programlanacağını öğrendim.
Modelim i7 bilgisayarında eğitilemediğinde veya birkaç saatlik eğitimden sonra yalnızca işe yaramaz bir sonuç verdiğinde rahatsız oluyorum.
AI öğrenme süreci, bir web çerçevesi öğrenmekten farklıdır.
Bu beceri, mikro düzeyde hesaplamaların nasıl yapıldığını anlamanızı ve çıktı sonuçlarını en çok etkileyen içeriğin kod mu yoksa veri mi olduğunu belirlemenizi gerektirir.
AI sadece bir disiplin değildir. Bu, basit gerileme problemlerinden gelecekteki öldürücü robotlara uygulanabilecek genel bir terimdir. Diğer disiplinler gibi, yapay zeka alanında bilgisayar görüşü, doğal dil işleme veya potansiyel geliştirme alanı olan diğer yönler gibi daha popüler alanları seçmek isteyebilirsiniz.
Bir yapay zeka finans şirketi olan Atlantis Capital'den Gaurav Sharma ile yaptığı değişimde bana şunları söyledi:
Yapay zeka çağında, "akıllı" tamamen farklı bir anlama geliyor. İnsanlardan kritik, yaratıcı ve kişisel olan görevleri ve yüksek duygusal girdi gerektiren görevleri tamamlamalarını istiyoruz.
Bilgisayarların nasıl birdenbire otonom kararlar vermeyi öğrendiklerine hayran olmalısınız. Uymanız gereken iki temel ilke sabır ve meraktır.
Bu çok uzun bir yolculuk, çok yorucu ve heyecan verici.
Ama en önemlisi, tüm yolculukların aynı olmasıdır Bin millik bir yolculuk tek bir adımla başlar.Az ile başlamak istiyorsanız, yapmaya başlayın.
Orijinal adres: https://hackernoon.com/how-i-started-with-learning-ai-in-the-last-2-months-251d19b23597
- Bitiş -
Samimi işe alım
Qubit, editörleri / muhabirleri işe alıyor ve merkezi Pekin, Zhongguancun'da bulunuyor. Yetenekli ve hevesli öğrencilerin bize katılmasını dört gözle bekliyoruz! Ayrıntılar için, lütfen QbitAI diyalog arayüzünde "işe alım" kelimesiyle yanıt verin.
Qubit QbitAI
' ' Yapay zeka teknolojisi ve ürünlerindeki yeni eğilimleri takip edin