iT邦幫忙

第 11 屆 iThome 鐵人賽

DAY 2
0
Google Developers Machine Learning

Google Developers Machine Learning與一名平凡高二生的初心者體驗日記-遊走在成功與失敗之間的超級英雄系列 第 2

[Day 02] Google ML 1-1 Introduction to specialization 帶領你進入ML的絕對領域!

人工智慧、機器學習、深度學習是甚麼?

開始之前我先來說說關於人工智慧、機器學習、深度學習最近這幾年應該非常常聽到這些好像很厲害的東西,感覺好像一樣欸、差不多但是又不清楚到底是甚麼,所以先來釐清三者的不同,請看下面這張圖片:
https://ithelp.ithome.com.tw/upload/images/20190926/201200939cXv0jLuu9.png

人工智慧

最近這幾年人工智慧變得非常非常的熱門,大家通通都在講人工智慧這個詞,但其實早在1950年代 AI(artificial intelligence)這個詞就已經出現了。那人工智慧這個詞到底是誰麼意思呢?其實就跟它這個詞本身的名字一樣,他的終極目標就是要讓機器 變得跟 人 一樣聰明。

但在那個年代,很長的一段時間,人們並不知道要如何實現人工智慧,直到1980年代的時候,開始有了機器學習的方法,顧名思義就是讓機器有學習的能力。而機器學習跟人工智慧有甚麼關係呢?

機器學習

人工智慧是我們的終極目標,而機器學習就是我們要達到這個目標的手段,我們讓機器跟人一樣有學習的能力,使他能夠跟人一樣的聰明。而深度學習機器學習有甚麼關係呢?

深度學習

深度學習就是機器學習的其中一種方法。還記得國中生物課上過生物的行為取決於兩件事 :"先天和後天的學習,同理機器也是一樣,先天即來自他的創造者,就是人類,事先幫他設計好,後天的學習是說,我們給機器大量的data讓機器從這些資料和經驗中學習並找到其運行規則,最終達到我們的終極目標人工智慧

總結

人工智慧這個概念可以追朔到1950年代,是相當長的一段時間。到了1980年,機器學習開始越來越受歡迎。大約到了2010年,在深度學習方面有了重大的進展。基本上這三個詞是緊緊相連缺一不可,深度學習推動機器學習,最後實現了人工智慧


說了那麼多我們趕緊進入我們期待已久的How Google does Machine Learning課程吧!

1.Intro to ML on GCP Specialization

這便介紹到課程當中實作或演示會在GCP(Google雲端平台 Google Cloud Platform)上運行,並使用python程式語言進行編程,另外也結合了像 BigQuery與Tensorflow此類的開源軟件使我們的機器學習數據模型更加便利。

2.Specialization Agenda

https://ithelp.ithome.com.tw/upload/images/20190926/20120093WEFkViZmfk.png

2.1 Why ML

這單元介紹了整個ML在GCP上的工作方式,
特別提到必須清楚明白整個ML在GCP上的架構,
有助於未來在機器學習整個大局上同時獲得其他更好的支持。

2.2 ML with Tensorflow

使用Tensorflow進行機器學習必須要注意兩件事:

1.建立一個好的機器學習數據集

2.使用TensorFlow構建您的第一個機器學習模型

最重要的是一個良好的數據集,我們使人工智慧最終是要跟人一樣聰明,
為了做到這點,我們不得不使用良好的數據集去做訓練,
良好的數據才能夠更多的人工智慧,
在訓練同時會有失敗的情況是正常的,
通常這時候就要回來檢查創建機器學習的方式。

2.3 Improving ML Accuracy

在機器學習的同時有多種措施來改進機器學習模型,
務必把這些重要的觀念和方法放進你的工具箱,
在面對不同情況下使用不同的方法,
這會有利於未來順練ML模型結果提高精準度,
更重要的是熟記並通曉其觀念並能舉一反三,
必須花時間去理解消化只知道其概念是不夠的。

2.4 ML at scale

在這章節將會討論,
如何使用ML模型進行部署和預測並投入工作,
最後將產品帶入商用階段,大概會朝這三個方向進行:

1.以分佈式地方式進行大規模訓練
(training it at scale in a distributed way)

2.提供預測
(serving out the predictions)

3.建立ML模型的端到端
(building a Machine Learning model end to end.)

然後注意到這裡 這部分相對之前困難很多
許多專業的ML工程師也常在這裡失敗

在這之後我們將討論

1.如何訓練
(how to train, deploy)

2.使用ML模型進行部署和預測
(predict with ML models in a way that they're production ready)

3.使其生產就緒
(delve back into Machine Learning theory)

最後,我們深入研究ML理論
ML理論是heuristic(啟發式)的,
也就是說我們幾乎只能利用一些工具與技巧。
到時候也會介紹幾種方法在訓練時更有效。

2.5 Specialized ML models

最後一章節會介紹如何建立你個人化的演算法,
大多數的ML工程師通常也會在職業生涯中某些階段建立起個人化演算法。
或許到最後只會建立一種ML系統,但在成功建立強大ML系統之前,
會一直反覆用到前四章學的東西,碰到新的東西也不要跳過,當做是複習的東西,思考並學會運用,你將會更強大!!

3 Why Google

Google內部的應用幾乎都使用了機器學習
https://ithelp.ithome.com.tw/upload/images/20190926/20120093BS9sTbowys.png
影片中舉例的Google相簿 智能回復信箱 Google翻譯 youtube推薦影片演算法 垃圾郵件偵測 自動駕駛等等都可以找到機器學習應用其中,其實和我們生活息息相關,平常都在用只是我們都視為稀鬆平常的事情罷了
https://ithelp.ithome.com.tw/upload/images/20190926/20120093Z5EKpgpCj8.png

從2012年0個ML到2016年底4000個機器模型
沒錯!4000個!近幾年機器學習非常熱門也不是沒有原因的吧

4 why google could

https://ithelp.ithome.com.tw/upload/images/20190926/201200932qN1PongOh.png
未來會在Google Cloud上構建我們的機器學習
特別要注意 大多數工程師或數據科學家
會花很多時間在最左邊複雜的管道
https://ithelp.ithome.com.tw/upload/images/20190926/20120093vnbd0IVpQc.png
但是真正的ML核心是在右側的部分
https://ithelp.ithome.com.tw/upload/images/20190926/20120093euam5sG6hb.png
對那些數據科學家來說,數據工程並不困難
但是對我們這些普通人來說,沒有相對的基礎就必須要花更多時間在上面
所以google could降低了門檻,讓我們只需要託管基礎架構,
依靠強大的擴展性, 可靠性和純粹的工程設計,就能做出簡單卻強大的ML應用
https://ithelp.ithome.com.tw/upload/images/20190926/20120093nyyHUVdfen.png

參考資料

Google ML 課程
NVIDIA-BLOGS-whats-difference-artificial-intelligence-machine-learning-deep-learning-ai
Mobile first to AI first - Google I O'17

結語和一些小心得

做測驗時遇到一些小問題,
我沒來的及在限時內完成測驗,
我就寫信到google課程詢問,
課程那邊很快就回覆我了,
並幫我延期那些測驗時間。
真不愧是google等級的課程,
行政效率高處理問題也超快的給個讚。

感謝閱讀 今日里程數-4580字

如果圖片侵權通知我,我會將圖片刪除

-待更新


上一篇
[Day 01] 前言-棺材進一半的超級英雄(覺得令人振奮>D<改變從現在開始!!)
下一篇
[Day 03]Google ML 1-2 What it means to be AI first 爆發吧!ML的小宇宙!
系列文
Google Developers Machine Learning與一名平凡高二生的初心者體驗日記-遊走在成功與失敗之間的超級英雄14

尚未有邦友留言

立即登入留言