cookieOptions = {...}; .作為數據科學家應該知道的 3 種機器學習基礎 - 3S Market「全球智慧科技應用」市場資訊網

3S MARKET

2020年7月1日 星期三

How to Become a Data Analyst in 2020




總覽

.機器學習系統由多個需要管理的構件組成
.瞭解您將作為數據科學家使用的機器學習的三個關鍵組成部分

介紹
機器學習項目如何工作?機器學習或人工智慧(AI)系統的構成要素有哪些?這是我在該領域最初的日子裡,親自為之奮鬥的話題。

我知道如何製作機器學習模型,但是我不知道現實世界中的機器學習項目是如何工作的。當我經歷這個過程時,這真是一個啟示!隨著時間的流逝,我看到大多數數據科學和機器學習的初學者,都在努力掌握機器學習系統的細微差別。

記住–這不僅僅是建立模型!有很多東西可以用來創建成功的機器學習和 AI 系統。這是硬件和軟件的融合。因此,問題是–構成成功的機器學習系統的關鍵要素是什麼?


這就是我們將在本文中詳細介紹的內容。 我將為您提供機器學習或 AI 系統中這些不同組件的概述,然後我們將在自動駕駛汽車的幫助下瞭解這些組件。

本文和我們將介紹的概念是免費的「人工智慧和機器學習簡介」課程的一部分。 我強烈建議您進行檢查-這是熟悉 AI 和機器學習中各種概念的好地方。

機器學習的三個關鍵組成部分是:
機器學習建構模組#1:捕獲輸入
機器學習建構模組#2:處理和儲存數據
機器學習建構模組#3:輸出或交互單元

機器學習構模組#1:捕獲輸入
如您所料,每個機器學習系統都需要大量數據才能起作用。 最終,它將根據所捕獲的數據做出決策。 而且,它需要捕獲有關所處環境、環境條件、用戶輸入等的數據。

因此,任何機器學習或 AI 系統的第一個建構模組都是它在系統中捕獲和輸入的方式。

那麼這個輸入是什麼樣的呢? 這可能包括各種感測器,例如相機捕獲圖像的 G.P.S. 位置,來自行動應用的使用端輸入等。為了選擇正確的輸入,我們需要提出以下關鍵問題:
.我們需要捕獲什麼數據?
.我們需要多久捕獲一次這些數據?
.該數據流的速度有多快?
.捕獲數據的最佳方法是什麼?

有時,會有多種方式來捕獲相同的數據。 例如,您可能依賴汽車中的感測器來捕獲天氣資訊,或者您可以基於 G.P.S. 將其直接從網路上提取出來。 您的汽車坐標。

在決定使用哪種方式之前,先權衡各種方式來獲取數據的利弊是有道理的。

機器學習建模組#2:處理和儲存數據(邊緣和雲)
一旦從輸入單元捕獲了這些數據,我們將需要對其進行儲存或對其進行計算。 從根本上來說,這就是我們在進行機器學習項目時的選擇!

這兩種(處理或儲存)都可以在通常稱為「邊緣上的 AI」的系統上發生,也可以在雲上發生。 同樣,我們面前還有一些選擇。 我們需要決定:
.哪些數據將儲存在邊緣?
.邊緣將發生什麼計算? 在這裡,您通常會對計算環境有所限制(相信我,不是每個人都擁有 Google 無限的計算資源!)
.在雲上會發生什麼?

「通常,即使沒有網路連接或未升級到系統,如果發生任何關鍵操作,也應始終在邊緣進行。

這些內容包括即時決策,警報或您想要在設備上進行的任何其他形式的監視。 更全面的數據儲存和計算在雲上進行。 數據科學家通常在這裡,應用各種機器學習技術來改善系統。 我們所有的數據湖,數據倉庫等通常也都在雲中。

機器學習建構模組#3:輸出或交互單元
最後,在成功的AI或機器學習系統中將有一個輸出或交互單元。 這是機器學習系統與外界交互並採取行動的單元。

這可以是顯示器,語音輸出或非正式機器人動作的形式。 通常,我們的機器學習系統的輸出也會有幾個設計注意事項。

例如,如果車輛無法確定或決定環境,則需要回答以下關鍵問題:
.系統應該怎麼做?
.它應該先停止還是應該警告用戶?
.您應多長時間與用戶溝通一次?

這些是任何機器學習系統的輸出層中,都會共同考慮的一些核心問題。

案例研究:無人駕駛汽車的基礎
現在,讓我們以自動駕駛汽車為例,更詳細地瞭解每個構建基塊。 這將幫助您更實際地瞭解機器學習或AI系統在現實世界中的功能。

那麼第一個建構基塊或組件是什麼?

您猜對了–輸入! 查看 drive.ai 的自動駕駛汽車:


正如您在此處看到的那樣,這款自動駕駛汽車具有許多感測器,可作為機器學習系統的輸入。 您可以在汽車頂部看到這些感測器(藍色)。 這些被稱為 LiDAR,或光檢測和測距。 除了這些,還有其他感測器可以捕獲更多資訊,例如天氣,汽車內和周圍的障礙物,檢測車道等。


然後在汽車本身上進行計算和儲存,這使汽車能夠做出如下決策:

.要操縱多少?
.以什麼速度運行?
.障礙是什麼?
.如何處理這些障礙?

雲上還有一個儲存和計算層,負責隨時間推移改進驅動算法。

最後,您將看到幾個輸出組件,例如一個螢幕,用於向汽車周圍的人顯示消息。 機器人過程還採取了使車輛前進的動作。 這是此階段所需的不同層的圖示:


創造成功的自動駕駛汽車,還需要考慮許多其他細節。 但是我想以這個例子,為您展示一個真實的機器學習系統背後的整體思想,是如何工作的以及運行,它所需要的關鍵建構模組。

尾註
非常迷人,對吧? 就像我之前說的,機器學習項目不僅僅是建立模型。 還有很多東西,大多數數據科學愛好者都不知道。 如果您想擔任機器學習專家,則必須具備這些實踐知識。

這對您來說是一個挑戰。 既然您已經瞭解了自動駕駛汽車的各個組成部分,現在就可以設計一個智能吸塵器的組件,該吸塵器可以自行導航地板,並清潔其導航區域。 玩得開心!

按此回今日3S Market新聞首頁

0 意見: