אויב איר זענט אַ ווייכווארג ינזשעניעריע הויפּט, דאַטן וויסנשאַפֿט פאָרשער אָדער טעק ענטוזיאַסט אין אַלגעמיין, איר מוזן זיין אַווער פון די לידינג סאַב-פעלד פון אַרטיפיסיאַל ינטעלליגענסע (AI) באַוווסט ווי מאַשין לערנען.
איר מוזן אויך זיין אַווער פון די פילע פאַסאַנייטינג אַפּלאַקיישאַנז פון אַי, ריינדזשינג פון פּשוט מוסטער דיטעקשאַן און רעדע דערקענונג צו קלוג ינאַגרייטיד ווירטואַל אַסיסטאַנץ. די אַפּלאַקיישאַנז און פיל מער זענען מעגלעך דורך די השתדלות פון מאַשין לערנען ענדזשאַנירז.
דער אַרטיקל גייט איבער ווער די ענדזשאַנירז זענען, וואָס זיי טאָן און וואָס סקילז זענען נייטיק פֿאַר איר צו ווערן אַ געניט ML ינזשעניר.
וואָס טאָן מאַשין לערנען ענדזשאַנירז?
Machine Learning (ML) ענדזשאַנירז פאַרבינדן אַנאַליטיקאַל און פּראָבלעם סאַלווינג מאַטאַמאַטיקאַל סקילז מיט ווייכווארג פּראָגראַממינג טעכנאָלאָגיע צו שאַפֿן אַי סיסטעמען צו סאָלווע פאַקטיש-וועלט פּראָבלעמס. אַ ML ינזשעניר איז פארלאנגט צו פונקציאָנירן ווי אַ דאַטן אַנאַליסט צו אַרבעטן מיט און יבערמאַכן דאַטן לויט די געגעבן פאָדערונג און בויען, באַן, וואַלאַדייט און פּרובירן ML אַלגערידאַמז אין די פאָרעם פון אַ מאָדעל אויף די געגעבן דאַטאַסעט.
אַזאַ ענדזשאַנירז קען זיין ארבעטן מיט אַ פירמע אין די טעק אָפּטיילונג, ינדיפּענדאַנטלי ווי אַ פּראָגראַמיסט אָדער ווי אַ פאָרשער אויף די לעצטע ML פּראָבלעמס. אין קיין פאַל, עס זענען אַ נומער פון סקילז רעקווירעמענץ וואָס דאַרפֿן צו טרעפן צו באַגרענעצן זיך ווי אַ ML ינזשעניר. די סקילז האָבן שוין דיסקאַסט אין דעטאַל אונטן.
5 מוזן-האָבן ML סקיללס
1. מאַשמאָעס און סטאַטיסטיש אַנאַליסיס
איינער פון די פּרירעקוואַזאַץ פון ML כולל אַ ינטערמידייט פארשטאנד פון טעמעס אַרייַנגערעכנט מאַשמאָעס און סטאַטיסטיק. דאָס איז נייטיק ווייַל ML אַלגערידאַמז און מאָדעלס זענען באזירט אויף די מאַטאַמאַטיקאַל פּרינסאַפּאַלז און קענען ניט זיין קאַנסטראַקטאַד אָן זיי.
מאַשמאָעס איז ספּעציעל וויכטיק ווען עס קומט צו האַנדלען מיט ינפּוץ, אַוטפּוץ און פאַקטיש-וועלט אַנסערטאַנטי. עטלעכע פּרינסאַפּאַלז פון מאַשמאָעס געניצט אין ML אַרייַננעמען קאַנדישאַנאַל מאַשמאָעס, Bayes הערשן, ליקעליהאָאָד און זעלבסטשטענדיקייַט. סטאַטיסטיק צושטעלן אונדז מיט מיטלען וואָס זענען נויטיק פֿאַר קאַנסטראַקטינג ML מאָדעלס אַרייַנגערעכנט דורכשניטלעך, מידיאַן, וועריאַנס, דיסטריביושאַנז (מונדיר, נאָרמאַל, בינאָמיאַל, פּאָיססאָן), און אַנאַליסיס מעטהאָדס אַרייַנגערעכנט כייפּאַטאַסאַס טעסטינג.
2. פונדאַמענטאַלס פון פּראָגראַממינג
אן אנדער פּרירעקוואַזאַט פון ML איז אַ יקערדיק פארשטאנד פון פּראָגראַממינג. דאָס כולל אַ שיין פארשטאנד פון דאַטן סטראַקטשערז, אַרייַנגערעכנט סטאַקס, קיוז, מולטי-דימענשאַנאַל ערייז, ביימער, גראַפס, אאז"ו ו, און אַלגערידאַמז, אַרייַנגערעכנט זוכן, סאָרטינג, אַפּטאַמאַזיישאַן, דינאַמיש פּראָגראַממינג, עטק.
קלייַבן דיין שפּראַך
אין טערמינען פון פּראָגראַממינג שפּראַכן, דער בעסטער צו לערנען פֿאַר ML איז Python נאכגעגאנגען דורך Java. דאָס איז ווייַל Python האט די גרעסטע אָנליין שטיצן אין טערמינען פון בנימצא קאָד, פראַמעוואָרקס און קהל הילף.
באַקומען צו וויסן דיין IDE
דער ווייַטער שריט איז צו באַקענען זיך מיט אַן ינטעגראַטעד אנטוויקלונג סוויווע (IDE). זינט מיר האַנדלינג פערלי גרעסערע אַמאַונץ פון דאַטן, דיין IDE קען נישט זיין אַ פּשוט קאַמאַנד שורה צובינד (CLI) אלא אַ געצייַג ווי וויסואַל סטודיאָ קאָוד אָדער דזשופּיטער נאָוטבוק. ווי Python, Jupyter האט די גרעסטע אָנליין שטיצן און איז אויך געניצט דורך פילע ML ינסטראַקטערז פֿאַר בילדונגקרייז צוועקן.
פֿאַרשטיין ליבראַריעס
ליבראַריעס זענען אַ זאַמלונג פון רעסורסן וואָס דאַרפֿן צו זיין ימפּאָרטיד אין אַ פּראָגראַם איידער ניצן. עס זענען אַ נומער פון ML לייברעריז ווי TensorFlow, Keras, PyTorch, Pandas, Matplotlib, Numpy, אאז"ו ו
3. דאַטאַ מאָדעלינג און עוואַלואַטיאָן
איינער פון די יקערדיק פּאַרץ פון ML איז דער פּראָצעס פון אָפּשאַצן די אַנדערלייינג סטרוקטור פון אַ געגעבן דאַטאַסעט צו געפֿינען נוציק פּאַטערנז, דאס הייסט קאָראַליישאַנז, קלאַסטערז, אייגענע וועקטאָרס. מיר וואָלט אויך דאַרפֿן צו פאָרויסזאָגן די פּראָפּערטיעס פון דאַטן ינסטאַנסיז אַרייַנגערעכנט ראַגרעשאַן, קלאַסאַפאַקיישאַן און אַנאַמאַלי דיטעקשאַן. אַ ML ינזשעניר דאַרף זיין ביכולת צו אָפּשאַצן אַ געגעבן מאָדעל מיט אַ אַקיעראַסי מעטריק און סטראַטעגיע.
4. אַפּלייינג מאַשין לערנען אַלגערידאַמז
אן אנדער יקערדיק טייל פון ML איז צו צולייגן ML אַלגערידאַמז. עס איז כדאי צו באמערקן אַז בויען דיין אייגענע מאָדעל איז ומגעוויינטלעך, ווייַל אַ נומער פון ML מאָדעלס און ימפּלאַמאַנץ זענען שוין בנימצא אין לייברעריז ווי קעראַס און סקיט-לערן. אָבער, אַפּלייינג די מאָדעלס אין די מערסט עפעקטיוו שטייגער און אין לויט מיט די דאַטאַסעט ריקווייערז ביידע סקילז און אַ גוט מדרגה פון פארשטאנד פון ML מאָדעלס אין אַלגעמיין.
אַ ML ינזשעניר אויך דאַרף זיין אַווער פון די קאָרעוו אַדוואַנטידזשיז און דיסאַדוואַנטידזשיז פון פאַרשידענע אַפּראָוטשיז און מעגלעך ישוז ווי אָוווערפיטטינג, אַנדערפיטטינג, פאָרורטייל און דיפעראַנסיז פּראָבלעמס.
5. בויען נעוראַל נעטוואָרקס
נעוראַל נעטוואָרקס (NNs) זענען טייל פון אַ סאַב-פעלד פון ML באקאנט ווי Deep Learning און זענען אַ מער עקסטענדעד פאָדערונג ווען עס קומט צו יקערדיק ML סקילז. אָבער, אין די מער פּראַקטיש אַפּלאַקיישאַנז פון ML, מיר דאַרפֿן צו האָבן עטלעכע פארשטאנד פון NNs צו שאַפֿן מער שטאַרק מאָדעלס פֿאַר אונדזער אַי סיסטעמען.
אַן NN ניצט לייַערס און נוראַנז צו שאַפֿן שטאַרק ML מאָדעלס. אַ ML ינזשעניר זאָל קענען צו בויען, באַן, וואַלאַדייט און פּרובירן NNs.
סאָף
איר זאָל איצט האָבן אַ גוט פארשטאנד פון וואס Machine Learning ענדזשאַנירז זענען, וואָס זיי טאָן און וואָס סקילז זענען נייטיק פֿאַר איר צו אָנהייבן דיין נסיעה. איר דאַרפֿן צו זיין באַקאַנט מיט מאַשמאָעס, סטאַטיסטיש אַנאַליסיס, פּראָגראַממינג, דאַטן מאָדעלינג, אַלגערידאַמז אַפּלאַקיישאַנז און בנין נעוראַל נעטוואָרקס צו בויען שטאַרק AI און ML סאַלושאַנז.
לאָזן אונדז וויסן אין די באַמערקונגען אויב דער אַרטיקל איז נוציק און וואָס איר טראַכטן איז די מערסט וויכטיק סקילז צו ווערן אַ געניט ML ינזשעניר.
לאָזן אַ ענטפֿערן