đầu tiên hãy đăng ký   , tôi tweet về công nghệ twitter của tôi  Một cuộc chạy tốc độ nữa trong   , hãy đi nào  series  Tôi vừa sử dụng meme học tăng cường (RL) với bạn:  bạn mở bài viết (làm điều đúng đắn)  bạn nhận được meme (phần thưởng)  Thật là một mồi câu... trời ơi...  Vậy, tại sao meme-Kelvin lại khó học RL là gì? Bởi vì anh ấy muốn   RL   , ĐÓ LÀ LÝ DO TẠI SAO meme-KELVIN! học cách triển khai thay vì hiểu Khái niệm   Khi bạn học một điều gì đó, một công cụ hay công nghệ mới hay bất kỳ thứ gì — bạn KHÔNG bắt đầu bằng cách triển khai nó, mà bằng những ý tưởng, khái niệm và vấn đề mà công cụ đó giải quyết!  Wo Kelvin, đây nhé: Để hiểu về Học tăng cường (RL) — hãy nghĩ về việc chơi một trò chơi điện tử mà bạn sẽ kiếm được điểm khi thực hiện đúng các bước đi.  Học tăng cường cũng giống như vậy - một chương trình học bằng cách đưa ra quyết định và nhận được phần thưởng hoặc hình phạt dựa trên hành động của nó  Đó chỉ là một ví dụ về việc áp dụng nguyên tắc BẮT ĐẦU-VỚI-Ý TƯỞNG vào Học tăng cường. Nhưng tôi đã hứa sẽ chỉ cho bạn cách học toàn bộ ML trong 52 giây...   CUỘC CHẠY TỐC ĐỘ!  Để học ML trong 52 giây, bạn   , sau đó bạn phải tìm kiếm trên Google (hoặc GPT) các triển khai trong PyTorch hoặc bất kỳ tên thư viện nào bạn thích, dù sao thì nó cũng sẽ thay đổi trong năm tới và không sao cả, các ý tưởng sẽ giữ nguyên trong thời gian dài hơn nhiều —  phải học các Khái niệm ML, không phải các triển khai hãy theo đuổi các ý tưởng!  Ý tưởng học máy  1. Học có giám sát  Trong học có giám sát, một chương trình được dạy bằng các ví dụ có câu trả lời (gọi là dữ liệu có nhãn). Điều này giúp chương trình học được mối liên hệ giữa các ví dụ và câu trả lời, do đó nó có thể đoán câu trả lời cho các ví dụ mới mà nó chưa từng thấy trước đây.    dự đoán giá nhà (hồi quy tuyến tính), quyết định xem khách hàng có mua sản phẩm hay không (cây quyết định) Thuật toán và vấn đề cần giải quyết:  2. Học không giám sát  Ở đây, chương trình sẽ xem xét các ví dụ không có câu trả lời (dữ liệu không có nhãn) và cố gắng tìm các mẫu hoặc nhóm trong đó. Điều này có thể giúp ích cho các tác vụ như nhóm các mục tương tự lại với nhau hoặc giảm lượng thông tin cần thiết để mô tả dữ liệu.    nhóm những người có sở thích âm nhạc tương tự (phân cụm k-means), nén hình ảnh mà không làm mất quá nhiều thông tin (phân tích thành phần chính) Thuật toán và vấn đề cần giải quyết:  3. Học tăng cường  Trong học tăng cường, chương trình học cách đưa ra quyết định bằng cách thử nghiệm và nhận phản hồi dưới dạng phần thưởng hoặc hình phạt. Mục tiêu là đưa ra quyết định tốt hơn theo thời gian và giải quyết vấn đề hiệu quả hơn.    dạy robot đi bộ (Q-learning), đào tạo chương trình chơi cờ vua (phương pháp chính sách gradient) Thuật toán và vấn đề cần giải quyết:  4. Kỹ thuật tính năng  Đây là quá trình lựa chọn thông tin quan trọng (tính năng) từ dữ liệu thô để giúp chương trình học tốt hơn. Đôi khi, điều này bao gồm việc tạo ra các tính năng mới bằng kiến thức chuyên môn và sự sáng tạo.    sử dụng chiều dài và chiều rộng của lá để giúp xác định loài thực vật Ví dụ:  5. Đánh giá mô hình  Kiểm tra mức độ hoạt động của mô hình học máy là điều quan trọng để xem liệu nó có hoạt động tốt hay không. Các phép đo như độ chính xác, độ chính xác, độ thu hồi, điểm F1 và lỗi bình phương trung bình thường được sử dụng để kiểm tra hiệu suất của mô hình.  ⏲️ Còn 24 giây nữa, bạn làm tốt lắm!  Chúng ta cũng hãy tìm hiểu về Học sâu nhé!  Ý tưởng học sâu  1. Mạng nơ-ron (NN)  Điều này thực sự trừu tượng. Bạn có thể tưởng tượng một NN như các neuron não được sắp xếp theo cột và ping nhau từ trái sang phải với lực khác nhau (thông qua các kết nối) — lực mà một neuron (trong mỗi lớp) được ping sẽ xác định ping tiếp theo và do đó là kết quả cuối cùng.    nhận dạng đối tượng trong hình ảnh (mạng nơ-ron truyền thẳng), dịch ngôn ngữ (mạng hàm cơ sở bán kính) Thuật toán và các vấn đề cần giải quyết:  2. Truyền ngược  Khi bạn mắc lỗi, bạn học hỏi từ lỗi đó và cố gắng không lặp lại. Truyền ngược là cách để chương trình thực hiện điều tương tự.  Nó giúp chương trình hiểu được lỗi ở đâu và tìm ra câu trả lời đúng tốt hơn.  3. Mạng nơ-ron tích chập (CNN)  CNN là mạng nơ-ron đặc biệt có thể hiểu dữ liệu dạng lưới, như hình ảnh.  Chúng có các lớp giúp chúng học các mẫu hình và nhận dạng các phần của hình ảnh, chẳng hạn như đường nét và hình dạng.    phát hiện khuôn mặt trong ảnh (LeNet-5), xác định các loại động vật khác nhau trong ảnh (AlexNet, VGG) Thuật toán và các vấn đề cần giải quyết:  4. Mạng nơ-ron hồi quy (RNN)  RNN được thiết kế để hoạt động với dữ liệu theo trình tự, như một chuỗi số hoặc từ.  Họ có thể nhớ những thông tin trước đó và sử dụng thông tin đó để đưa ra quyết định tốt hơn.    dự đoán giá cổ phiếu (Long Short-Term Memory, LSTM), tạo văn bản dựa trên một kiểu nhất định (Gated Recurrent Units, GRU) Thuật toán và các vấn đề cần giải quyết:  5. Chuyển giao học tập  Đây là lúc một mô hình chương trình đã học được nhiều điều sẽ được tinh chỉnh để thực hiện một nhiệm vụ mới với dữ liệu hạn chế.  Nó giúp chương trình học nhanh hơn và hoạt động tốt hơn vì nó đã biết những điều hữu ích từ những lần học trước.    sử dụng mô hình được đào tạo trên nhiều giống chó (như ResNet) để nhận dạng các loại mèo cụ thể Ví dụ:  6. Kỹ thuật chính quy hóa  Các kỹ thuật này giúp chương trình tránh việc học quá nhiều từ dữ liệu, điều này có thể gây ra các vấn đề như quá khớp  DỪNG LẠI 🏁    0 phút, 52 giây  hoàn thành trong:   Về cơ bản là vậy, bây giờ hãy đi và đào tạo các đại lý Kelvin của bạn cách tìm kiếm trên Google các thuật toán và vấn đề mà bạn muốn giải quyết!  Để bắt đầu sử dụng một công cụ, bạn bắt đầu với một vấn đề mà công cụ đó giải quyết và tìm hiểu Khái niệm nào được sử dụng để giải quyết vấn đề. Đừng giữ việc triển khai trong đầu như "làm thế nào để làm điều gì đó bằng một công cụ", nó phức tạp và dù sao thì mọi thứ cũng không vừa với đầu bạn.   Học ý tưởng, tìm hiểu cách triển khai trên Google.  Sau 5-10 lần tìm kiếm trên Google về một triển khai, bạn sẽ ghi nhớ nó, sau đó công nghệ trở nên lỗi thời và bạn quên nó, không sao cả, điều đó xảy ra mọi lúc  Ý tưởng khó quên, chúng nằm trong trí nhớ của bạn trong một thời gian dài  Tạm biệt và hẹn gặp lại trong cuộc đua kéo tiếp theo    Đợi đã akshually!  Hãy nghĩ đến   nếu bạn muốn thấy hệ thống giáo dục thực hành trước và có lợi <3 việc làm theo chú chim twit  Dù sao thì bạn cũng có thể theo dõi Twitter nếu bạn chỉ thích văn bản và   hoặc bạn nghiện sự vui vẻ trên mạng xã hội muốn biết thêm  hoặc đừng theo ai và đừng lắng nghe ai! hãy tự tìm đường đi cho mình!   Thực ra tôi muốn bạn theo dõi tôi, đó chỉ là một đợt bán hàng thôi.  Kiểm tra   của tôi "Học REACT trong 43 giây"

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

Follow The Blue Bird

Read My Stories

Nghe bài viết này bằng Tiếng Anh, đọc bởi robot thông minh của HackerNoon

Chạy nhanh để hiểu rõ hơn về Học máy.. trong 52 giây 🏎️

About Author

BÌNH LUẬN

chuyên mục

BÀI VIẾT NÀY CŨNG CÓ MẶT TẠI

Related Stories

94 Stories To Learn About John Locke

145 Stories To Learn About Book

179 Stories To Learn About Reading

581 Stories To Learn About Non Fiction

94 Stories To Learn About John Locke

145 Stories To Learn About Book

179 Stories To Learn About Reading

581 Stories To Learn About Non Fiction

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps