Sisältö
- Tietotekniikka ja koneoppiminen: Laaja ja kapea terminologia
- Tietotekniikan ja koneoppimisen taidot
- Ei vikoja, ei stressiä - vaiheittaiset ohjeet elämää muuttavien ohjelmistojen luomiseen tuhoamatta elämääsi
- Kuinka paikallistaa koneoppiminen
- Kaksi huipputeknologiaa
Lähde: Elnur / Dreamstime.com
Ottaa mukaan:
Tietotekniikka ja koneoppiminen ovat erilaisia avaintavoilla. Joillakin tavoin yksi voidaan nähdä toisen osajoukona. Molemmat ovat tärkeitä nykyisessä IT-kehityksessä.
Tässä uudessa tekoälyn ja tiedonhallinnan maailmassa on helppo sekoittaa joitain termejä, joita IT-maailmassa käytetään yleisimmin.
Esimerkiksi tietojenkäsittelyssä ja koneoppimisessa on paljon tekemistä toistensa kanssa. Ei ole yllättävää, että monilla ihmisillä, joilla on vain ohimenevä tieto näistä aloista, olisi vaikeuksia selvittää, miten ne eroavat toisistaan.
Tämä on paras tapa erottaa datatiede koneoppimisesta periaatteena ja teknisenä lähestymistapana.
Tietotekniikka ja koneoppiminen: Laaja ja kapea terminologia
Ensinnäkin, datatiede on todella laaja, kattava tekniikkakategoria, joka kattaa monia erityyppisiä projekteja ja luomuksia. (Lisätietoja datatiedetyöhön liittyvistä asioista on työtehtävässä: Data Scientist.)
Tietotekniikka on käytännössä suurten tietojen käsittelyä. Se nousi Mooren lakiin ja tehokkaampien tallennuslaitteiden leviäminen johti siihen, että yritykset ja muut osapuolet keräsivät valtavia määriä tietoja. Sitten Hadoopin kaltaiset suuret tietoalustat ja työkalut aloittivat laskennan uudelleenmäärittelyn muuttamalla tiedonhallinnan toimivuutta. Nyt pilvipalvelun, konttivalikoinnin ja upouusien mallien ansiosta isoista tiedoista on tullut tärkeä ajaja työskentely- ja elintapojamme.
Yksinkertaisimmassa muodossaan tietotiede on tapa, jolla hallitsemme näitä tietoja, sen puhdistamisesta ja puhdistamisesta aina käyttöönottoon oivalluksen muodossa.
Koneoppimisen määritelmä on paljon kapeampi. Koneoppimisessa tekniikat ottavat tiedon mukaan ja laittavat sen algoritmien läpi, jotta voidaan simuloida ”oppimiseksi” kuvattuja ihmisen kognitiivisia prosesseja. Toisin sanoen, ottaen tiedot vastaan ja koulutettuaan niitä tietokone pystyy tarjoamaan omia tuloksia , jossa tekniikka näyttää oppineen ohjelmoijien käyttöön ottamista prosesseista.
Tietotekniikan ja koneoppimisen taidot
Toinen tapa vastustaa tietojenkäsittelytiedettä ja koneoppimista on tarkastella erilaisia taitoja, jotka ovat arvokkaimpia kummankin alan ammattilaisille.
Ei vikoja, ei stressiä - vaiheittaiset ohjeet elämää muuttavien ohjelmistojen luomiseen tuhoamatta elämääsi
Et voi parantaa ohjelmointitaitojasi, kun kukaan ei välitä ohjelmiston laadusta.
On yleinen yksimielisyys siitä, että tietoteknikot hyötyvät syvällisistä analyyttisista ja matemaattisista taidoista, käytännön kokemuksesta tietokantateknologioista ja ohjelmointikielten tuntemuksesta, kuten Python tai muut paketit, joita käytetään isojen tietojen jäsentämiseen.
"Kaikkien, jotka ovat kiinnostuneita vahvan uran (tietotekniikan) rakentamisesta, tulisi hankkia avaintaidot kolmella osastolla: analytiikka, ohjelmointi ja toimialueiden tuntemus", kirjoittaa Srihari Sasikumar Simplilearnissa. ”Menemällä yhdellä tasolla syvemmälle, seuraavat taidot auttavat sinua rajaamaan markkinaraon tietoteknikkona: Vahva Python, SAS, R (ja) Scalan tuntemus, käytännön kokemus SQL-tietokantakoodauksessa, kyky työskennellä rakenteettomien tietojen kanssa eri lähteet, kuten video ja sosiaalinen media, ymmärtävät koneoppimisen monia analyyttisiä toimintoja (ja). ”
Koneoppimisessa asiantuntijat mainitsevat usein mallinnustaitot, todennäköisyys- ja tilastotiedot ja laajemmat ohjelmointitaitot hyödyllisinä työkaluina koneoppimisen suunnittelijan työkalupakissa.
Kuinka paikallistaa koneoppiminen
Tärkeintä on, että kaikenlaiset asiat käsittävät tietojenkäsittelytieteen, mutta se ei ole koneoppimista, ellet ole määrittänyt erittäin tiukkaa hoito-ohjelmaa, jonka avulla tietokone voi oppia syötteistään.
Kun se on paikallaan, se tuottaa joitain yllättävän kykeneviä järjestelmiä, joilla voi olla laaja-alaisia vaikutuksia elämäämme.
"Suuri osa siitä, mitä teemme koneoppimisella, tapahtuu pinnan alla", Amazonin perustaja Jeff Bezos on sanonut, että hän huomautti eräistä tämän tyyppisten järjestelmien sovelluksista. ”Koneoppiminen ohjaa algoritmejamme kysynnän ennustamiseen, tuotehaun sijoitukseen, tuote- ja tarjoussuosituksiin, markkinointiin, petoksien havaitsemiseen, käännöksiin ja paljon muuta. Vaikka koneenoppimisen vaikutukset ovat vähemmän näkyviä, ne ovat tyyppisiä - parantaen hiljaisesti mutta merkityksellisesti ydintoimintoja. ”
Yksi hyödyllisimmistä esimerkeistä tässä on hermoverkon synty - se on yleinen ja suosittu menetelmä koneoppimisprosessien perustamiseen.
Alkeisimmassa muodossaan hermoverkko koostuu keinotekoisten hermosolujen kerroksista. Jokaisella keinotekoisella neuronilla on toiminnallisuus, joka vastaa biologista neuronia - mutta synapsien ja dendriittien sijaan siinä on sisääntulot, aktivointitoiminto ja mahdolliset ulostulot.
Neuraaliverkko on tehty toimimaan kuin ihmisen aivot, ja koneoppimisen ammattilaiset hyödyntävät tätä mallia usein koneoppimistulosten luomiseen.
Se ei kuitenkaan ole ainoa tapa tehdä koneoppimista. Joihinkin alkeellisempiin koneoppimishankkeisiin sisältyy yksinkertaisesti tietokoneelle monenlaisten valokuvien näyttäminen (tai toimittaminen sille muulla raa'alla tiedolla), ideoiden syöttäminen valvotun koneoppimis- ja etiketitietojen käyttöprosessin avulla ja tietokoneen käyttäminen lopulta erottelemaan toisiaan erilaisia muotoja tai esineitä näkökentässä. (Koneoppimisen perusteet ovat koneoppimisessa 101.)
Kaksi huipputeknologiaa
Lopuksi totean, että koneoppiminen on arvokas osa tietotekniikkaa. Mutta datatiede edustaa vaster-rajaa ja konetta, jossa koneoppiminen tapahtuu.
Tavallaan voidaan sanoa, että koneoppiminen ei koskaan tapahtuisi ilman suuria tietoja. Suuret tiedot itsessään eivät kuitenkaan luoneet koneoppimista - sen sijaan, kun olimme keränneet kollektiivisesti niin paljon tietoa, että emme melkein tienneet, mitä sen kanssa tehdä, ylin mieli keksi nämä bioimitoivat prosessit ladatulla tavalla oivalluksista.
Toinen hyvä asia, joka tässä mielessä on pidettävä, on, että tietotekniikkaa voidaan soveltaa kahdella päätavoitteella - voimme omaksua koneoppimisen ja tekoälyn antamalla tietokoneiden ajatella meitä tai voimme palauttaa tietotieteen takaisin ihmisenkeskeisempaan lähestymistapaan, jossa tietokone esittelee vain tulokset ja me ihmisinä teemme päätökset.
Se johtaa eräitä asiantuntijoita, mukaan lukien jotkut nykypäivän parhaimmista innovaatioista, vaatimaan elävämpää kirjanpitoa tapoista, joilla näitä tekniikoita käytetään.
"(AI) pystyy saavuttamaan huomattavasti enemmän kuin melkein kuka tahansa tietää ja parannusaste on eksponentiaalinen", Elon Musk on sanonut, että hän varoittaa koneiden oppimista ja AI-ohjelmia valvomasta.
Joka tapauksessa sekä tietotekniikka että koneoppiminen ovat keskeisiä osia edistyksestä, jota yhteiskuntina saavutamme tekniikan alalla tänään.