primeiro inscreva-se no   , eu tuíto coisas de tecnologia meu twitter  Mais uma speedrun na   , vamos lá  série  Acabei de usar o meme de aprendizagem por reforço (RL) em você:  você abre a postagem (faz a coisa certa)  você ganha o meme (uma recompensa)  Que isca era essa... meu Deus...  Então, por que é difícil para o meme-Kelvin aprender o que é RL? Porque ele quer   de RL   , É POR ISSO que o meme-KELVIN! aprender a implementação em vez de entender o Conceito   Quando você aprende uma coisa nova, ferramenta, tecnologia ou qualquer coisa — você NÃO começa com suas implementações, você começa com ideias, conceitos e problemas que a ferramenta resolve!  Olá Kelvin, aqui vai: Para entender o Aprendizado por Reforço (AR) — pense em jogar um videogame em que você ganha pontos por fazer os movimentos certos.  O aprendizado por reforço é assim: um programa aprende tomando decisões e obtendo recompensas ou penalidades com base em suas ações.  Esse foi apenas um exemplo de aplicação do princípio START-WITH-IDEAS ao Reinforcement Learning. Mas eu prometi contar como aprender o ML inteiro em 52 segundos...   A VELOCIDADE!  Para aprender ML em 52 segundos, você   . Depois, você pesquisa no Google (ou no GPT) implementações em PyTorch ou qualquer nome de biblioteca que você goste. De qualquer forma, isso vai mudar no próximo ano e está tudo bem, as ideias permanecerão as mesmas por muito mais tempo —  aprende os conceitos de ML, não as implementações vá atrás das ideias!  Ideias de Aprendizado de Máquina  1. Aprendizagem supervisionada  No aprendizado supervisionado, um programa é ensinado usando exemplos com respostas (chamados de dados rotulados). Isso ajuda o programa a aprender a conexão entre os exemplos e as respostas, para que ele possa adivinhar as respostas para novos exemplos que não viu antes.    previsão de preços de casas (regressão linear), decisão sobre se um cliente comprará um produto (árvores de decisão) Algoritmos e problemas a resolver:  2. Aprendizagem não supervisionada  Aqui, o programa olha para exemplos sem respostas (dados não rotulados) e tenta encontrar padrões ou grupos dentro deles. Isso pode ajudar com tarefas como agrupar itens semelhantes ou reduzir a quantidade de informações necessárias para descrever os dados.    agrupar pessoas com gostos musicais semelhantes (agrupamento k-means), comprimir imagens sem perder muita informação (análise de componentes principais) Algoritmos e problemas a resolver:  3. Aprendizagem por reforço  No aprendizado por reforço, o programa aprende a tomar decisões ao tentar coisas e obter feedback na forma de recompensas ou penalidades. O objetivo é tomar melhores decisões ao longo do tempo e resolver problemas de forma mais eficaz.    ensinar um robô a andar (Q-learning), treinar um programa para jogar xadrez (métodos de gradiente de política) Algoritmos e problemas para resolver:  4. Engenharia de Recursos  Este é o processo de escolher informações importantes (recursos) de dados brutos para ajudar o programa a aprender melhor. Às vezes, isso inclui criar novos recursos usando conhecimento especializado e criatividade.    usar o comprimento e a largura de uma folha para ajudar a identificar uma espécie de planta Exemplo:  5. Avaliação do modelo  Verificar o quão bem um modelo de machine learning está indo é importante para ver se ele está funcionando bem. Medidas como exatidão, exatidão, recall, pontuação F1 e erro quadrático médio são frequentemente usadas para verificar o desempenho de um modelo.  ⏲️ Restam 24 segundos, você vai bem!  Vamos também abordar o Deep Learning!  Ideias de Aprendizado Profundo  1. Redes Neurais (RN)  Isso é realmente abstrato. Você pode imaginar uma NN como neurônios cerebrais ordenados em colunas e fazendo ping uns nos outros da esquerda para a direita com força diferente (por meio de conexões) — a força com que um neurônio (em cada camada) é pingado define o próximo ping e, portanto, o resultado final em si.    reconhecimento de objetos em imagens (redes neurais feedforward), tradução de línguas (redes de funções de base radial) Algoritmos e problemas a resolver:  2. Retropropagação  Quando você comete um erro, você aprende com ele e tenta não repeti-lo. Backpropagation é uma maneira de um programa fazer a mesma coisa.  Ajuda o programa a entender onde errou e a melhorar sua capacidade de encontrar as respostas certas.  3. Redes Neurais Convolucionais (CNNs)  CNNs são redes neurais especiais que podem entender dados em forma de grade, como imagens.  Eles têm camadas que os ajudam a aprender padrões e reconhecer partes da imagem, como linhas e formas.    detecção de rostos em fotos (LeNet-5), identificação de diferentes tipos de animais em imagens (AlexNet, VGG) Algoritmos e problemas a resolver:  4. Redes Neurais Recorrentes (RNNs)  As RNNs são projetadas para trabalhar com dados que vêm em uma sequência, como uma série de números ou palavras.  Eles podem se lembrar de informações anteriores e usar essas informações para tomar melhores decisões.    previsão de preços de ações (Long Short-Term Memory, LSTM), geração de texto com base em um determinado estilo (Gated Recurrent Units, GRU) Algoritmos e problemas a resolver:  5. Aprendizagem de transferência  É quando um modelo de programa que já aprendeu muito é ajustado para trabalhar em uma nova tarefa com dados limitados.  Isso ajuda o programa a aprender mais rápido e a ter um desempenho melhor porque ele já sabe coisas úteis de seu aprendizado anterior.    usar um modelo treinado em muitas raças de cães (como o ResNet) para reconhecer tipos específicos de gatos Exemplo:  6. Técnicas de Regularização  Essas técnicas ajudam o programa a evitar aprender muito com os dados, o que pode causar problemas como overfitting  PARE 🏁    0 min, 52 seg  concluído em:   É basicamente isso, agora vá e treine seus agentes pesquisando no Google implementações de algoritmos e problemas que você quer resolver!  Para começar a usar uma ferramenta, você começa com um problema que a ferramenta resolve e aprende quais Conceitos são usados para resolver o problema. Não mantenha a implementação na sua cabeça como "como fazer algo com uma ferramenta", é complicado e tudo não vai caber na sua cabeça de qualquer maneira.   Aprenda ideias, pesquise implementações no Google.  Depois de 5 a 10 vezes pesquisando uma implementação no Google, você a memorizará, então a tecnologia se tornará obsoleta e você a esquecerá, tudo bem, isso acontece o tempo todo  As ideias são difíceis de esquecer, elas ficam na sua memória por muito tempo  Tchau e até a próxima corrida de arrancada    Espere akshually!  Pense em   se você quiser ver sistemas educacionais que sejam práticos e benéficos <3 seguir o pássaro do Twitter  De qualquer forma, você pode seguir o Twitter se gostou do texto e   ou se é viciado em diversão nas redes sociais quer mais  ou não siga ninguém e não dê ouvidos a ninguém! Faça seu próprio caminho!   Na verdade, eu quero que você siga meus twitts, foi só uma promoção.  Confira meu  "Aprenda REACT em 43 segundos"

This story contains new, firsthand information uncovered by the writer.

Follow The Blue Bird

Read My Stories

Este áudio é produzido no idioma original da história!

Muito longo; Para ler

Make resilience your competitive advantage

Acelere sua compreensão do aprendizado de máquina... em 52 segundos 🏎️

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

Valhalla de Floki se junta como patrocinador associado da viagem da Índia ao Sri Lanka

Vazamento do prompt do sistema Claude Sonnet 3.5: uma análise forense

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

Valhalla de Floki se junta como patrocinador associado da viagem da Índia ao Sri Lanka

Vazamento do prompt do sistema Claude Sonnet 3.5: uma análise forense

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps