Сначала подпишитесь на мой твиттер , я пишу о технологиях.

Еще один скоростной забег в серии , погнали!

Я только что применил к вам мем с подкреплением (RL):

1. ты открываешь пост (делаешь правильно)
2. вы получаете мем (награду)

Какая это была приманка.. боже мой..

Так почему же мему-Кельвину трудно узнать, что такое RL? Потому что он хочет узнать реализацию RL вместо того, чтобы понять Концепцию , ВОТ ПОЧЕМУ мем-КЕЛЬВИН!

Когда вы изучаете новую вещь, инструмент, технологию или что-то еще — вы НЕ начинаете с ее реализации, вы начинаете с идей, концепций и проблем, которые решает инструмент!

Во Кельвин, вот: чтобы понять обучение с подкреплением (RL), представьте себе видеоигру, в которой вы зарабатываете очки за правильные ходы.

Обучение с подкреплением похоже на это: программа учится, принимая решения и получая вознаграждения или наказания на основе своих действий.

Это был всего лишь пример применения принципа НАЧАТЬ-С-ИДЕИ к обучению с подкреплением. Но я обещал рассказать, как выучить весь ML за 52 секунды...

СКОРОСТНОЙ ЗАБЕГ!

Чтобы изучить машинное обучение за 52 секунды, вы изучаете концепции машинного обучения, а не реализации , затем вы гуглите (или GPT) реализации в PyTorch или любой другой библиотеке, название которой вам нравится, в любом случае, это изменится в следующем году, и это нормально, идеи останутся прежними гораздо дольше — дерзайте!

Идеи машинного обучения

1. Контролируемое обучение

В контролируемом обучении программа обучается с использованием примеров с ответами (называемых помеченными данными). Это помогает программе изучить связь между примерами и ответами, чтобы она могла угадывать ответы для новых примеров, которые она раньше не видела.

Алгоритмы и решаемые задачи: прогнозирование цен на жилье (линейная регрессия), принятие решения о том, купит ли клиент продукт (деревья решений)

2. Обучение без учителя

Здесь программа рассматривает примеры без ответов (немаркированные данные) и пытается найти в них закономерности или группы. Это может помочь в таких задачах, как группировка похожих элементов или сокращение объема информации, необходимой для описания данных.

Алгоритмы и решаемые проблемы: группировка людей со схожими музыкальными вкусами (кластеризация методом k-средних), сжатие изображений без потери большого количества информации (анализ главных компонент)

3. Обучение с подкреплением

В обучении с подкреплением программа учится принимать решения, пробуя разные вещи и получая обратную связь в виде наград или штрафов. Цель состоит в том, чтобы со временем принимать лучшие решения и решать проблемы более эффективно.

Алгоритмы и решаемые задачи: обучение робота ходьбе (Q-обучение), обучение программы игре в шахматы (методы градиента политики)

4. Проектирование функций

Это процесс выбора важной информации (признаков) из необработанных данных, чтобы помочь программе лучше учиться. Иногда это включает создание новых признаков с использованием экспертных знаний и креативности.

Пример: использование длины и ширины листа для определения вида растения.

5. Оценка модели

Проверка того, насколько хорошо работает модель машинного обучения, важна для того, чтобы увидеть, хорошо ли она работает. Такие измерения, как точность, достоверность, отзыв, F1-оценка и среднеквадратическая ошибка, часто используются для проверки производительности модели.

⏲️ Осталось 24 секунды, все отлично!

Давайте также рассмотрим глубокое обучение!

Идеи глубокого обучения

1. Нейронные сети (НС)

Это действительно абстрактно. Вы можете представить себе NN как нейроны мозга, упорядоченные в столбцы и посылающие друг другу сигналы слева направо с разной силой (через связи) — сила, с которой посылается сигнал нейрону (в каждом слое), определяет следующий сигнал и, следовательно, сам конечный результат.

Алгоритмы и решаемые задачи: распознавание объектов на изображениях (нейронные сети прямого распространения), перевод языков (сети радиальных базисных функций)

2. Обратное распространение

Когда вы совершаете ошибку, вы учитесь на ней и стараетесь не повторять ее. Обратное распространение — это способ для программы сделать то же самое.

Это помогает программе понять, где она допустила ошибку, и научиться лучше находить правильные ответы.

3. Свёрточные нейронные сети (CNN)

CNN — это специальные нейронные сети, которые могут распознавать данные в виде сетки, например, изображения.

У них есть слои, которые помогают им изучать закономерности и распознавать части изображения, такие как линии и формы.

Алгоритмы и решаемые задачи: обнаружение лиц на фотографиях (LeNet-5), идентификация различных типов животных на изображениях (AlexNet, VGG)

4. Рекуррентные нейронные сети (RNN)

Рекуррентные нейронные сети предназначены для работы с данными, которые поступают в определенной последовательности, например, с последовательностью чисел или слов.

Они могут запоминать предыдущие данные и использовать эту информацию для принятия более обоснованных решений.

Алгоритмы и решаемые задачи: прогнозирование цен на акции (долговременная краткосрочная память, LSTM), генерация текста на основе заданного стиля (Gated Recurrent Units, GRU)

5. Передача обучения

Это когда программная модель, которая уже многому научилась, настраивается для работы над новой задачей с ограниченными данными.

Это помогает программе быстрее обучаться и работать лучше, поскольку она уже знает полезные вещи из предыдущего обучения.

Пример: использование модели, обученной на многих породах собак (например, ResNet), для распознавания определенных типов кошек.

6. Методы регуляризации

Эти методы помогают программе избежать слишком глубокого обучения на основе данных, что может привести к таким проблемам, как переобучение.

СТОП 🏁

завершено через: 0 мин, 52 сек

Вот, в принципе, и все, теперь идите и обучайте своих агентов Кельвину гуглить реализации алгоритмов и проблем, которые вы хотите решить!

Чтобы начать использовать инструмент, вы начинаете с проблемы, которую решает инструмент, и изучаете, какие концепции используются для решения проблемы. Не держите реализацию в голове, как «как что-то сделать с помощью инструмента», это сложно, и все равно все не уместится в вашей голове.

Изучайте идеи, гуглите реализации.

После 5–10 попыток поискать в Google информацию о реализации, вы ее запомните, но затем технология устаревает, и вы ее забываете. Это нормально, так происходит постоянно.

Идеи трудно забыть, они надолго остаются в памяти.

Пока и увидимся в следующей гонке.

Подождите, акшуалли!

Подумайте о том, чтобы подписаться на Twit Bird , если вы хотите, чтобы системы образования были ориентированы на практику и приносили пользу <3

В любом случае вы можете подписаться на Twitter, если вам просто понравился текст и вы хотите больше или если вы зависимы от развлечений в социальных сетях.

или не следуй ни за кем и никого не слушай! иди своим путем!

На самом деле я хочу, чтобы вы следили за моими твитами, это была просто распродажа.

Проверьте мою статью «Изучите REACT за 43 секунды»