Я никогда не забуду чувство удовлетворения, которое я испытал, когда заработала моя первая искусственная нейронная сеть. Вот я, парень, который всю жизнь хотел сниматься в комедии, учился вместе с докторантами и кандидатами наук. Внезапно этот блокнот Jupyter начинает выкачивать графики и диаграммы, и я завершил свой первый проект.

Это было прекрасно.

Каждая нейронная сеть имеет ряд гиперпараметров (тюнеров), которые вы можете использовать для оптимизации своих выходных данных. Простая ванильная нейронная сеть полагается на три, которые я помню: количество скрытых слоев, количество узлов скрытого слоя и скорость обучения. Что удивительно, даже несмотря на высокие технологии и точность, какими мы являемся в конце 2018 года, настройка гиперпараметров все еще остается в основном догадками. Я полагаю, что один из многих кандидатов наук работает над математическими доказательствами, чтобы свести их к точной науке. Из трех мне больше всего понравилась скорость обучения.

Интуитивно можно было подумать, что вам нужна высокая скорость обучения. Но это может привести к неполному оснащению и чрезмерному обобщению, что отражается на кривой обучения. У вас противоположная проблема в медленном обучении. Моя любимая аналогия - спуск с горы. Думайте о темпах обучения как об успехах. Если ваши шаги слишком велики, вы можете пропустить жизненно важные части горы, слишком короткие - вы никогда не спуститесь с горы.

Искусственный интеллект, машинное обучение и глубокое обучение по самой своей природе являются междисциплинарными исследованиями. И я никогда не упускаю возможности применить то, что я узнаю в этих нейронных сетях, к чему-то еще.

Представьте себе класс учеников, с которым учитель встречается впервые. У учителя нет возможности узнать базовые знания каждого и / или насколько быстро они учатся. Если учитель идет слишком быстро, некоторые ученики пропускают материал, слишком медленно ученикам становится скучно. Многие решения были опробованы на протяжении многих лет, но ни одно из них, похоже, не имело долгосрочного успеха. И все же мы по-прежнему хотим, чтобы каждый ребенок спускался с горы с одинаковой скоростью.

Об этом будет много говорить в этих статьях, но я думаю, что в новой экономике мы увидим появление индивидуализированных продуктов и услуг. Думаю, это решение нашей проблемы с обучением. Немного мета, я бы хотел увидеть нейронные сети, которые могут проверять базу знаний учащихся, их скорость обучения и их стиль обучения. Я не думаю, что с выпуском Tensorflow.js мы еще слишком далеки от этого. Мне просто жаль, что у меня не было ресурсов, чтобы сделать это самому, так как это звучит как отличный источник дохода.

На высоком уровне нам нужно начать обсуждение того, как выглядит будущее обучения. Сделан кирпич и раствор? Если да, то что вы делаете для содействия социальному развитию? Если нет, то могут ли продвигаться вперед только люди, которые могут позволить себе эти частные уроки? Вы направляете детей, которые быстро учатся, на рабочие или руководящие роли?

Это вопросы для кого-то намного умнее меня или для меня, смогу ли я изучить политологию в следующие 2–4 года.

А пока продолжайте строить будущее.

Джимми Мюррей - комик из Флориды, изучавший маркетинг и кино, прежде чем оказался бездомным. Находчивый, он научился программировать, что открыло массу возможностей во многих областях, самая последняя из которых - кодирование его редактирования подкастов. Его предпринимательские способности и любовь к автоматизации привели к абсолютной любви ко всему, что связано с ИИ.

# 100DaysOfML

#Искусственный интеллект

#Машинное обучение

#DeepLearning