Wie starte ich mit maschinellem Lernen?

Versuche, Maschinen intelligenter zu gestalten als Menschen, sind nicht neu.
One of the very early attacks that computer science made on human “intelligence” was through the game of chess. Chess is (or should we say, was?) assumed by many as the ultimate test of human intellect and creativity, and back in the 1960-the 70s, there were different schools of thought within computer science.
Einige meinten, es sei nur eine Frage der Zeit, bis Computer die Menschen beim Schachspielen überholten, während andere glaubten, dass dies niemals passieren würde.
Kasparov gegen Deep Blue
Das sensationellste Ereignis mit Mensch gegen Maschine im Kampf der Gedanken war das Schachspiel 1996 zwischen dem damaligen Weltmeister Garry Kasparov (und wohl dem besten Schachspieler aller Zeiten) und Deep Blue, ein Supercomputer, den IBM für genau dieses Ereignis entwickelt hat.

Um es kurz zu machen: Kasparov gewann das Match 1996 überzeugend (4:2), verlor aber den Rückkampf 1997 (4.5-3.5) unter vielen Kontroverse und Kasparovs direkte Betrugsvorwürfe gegen IBM.
Regardless, an era in chess and computer science was over. Computers were entitled smarter than any living human possible. IBM, happy with the revenge, dismantled Deep Blue and moved on.
Heutzutage ist es für jeden Großmeister unmöglich, eine normale Schachmaschine zu schlagen, die auf Standardhardware läuft.
Was ist kein maschinelles Lernen?
Bevor wir uns das maschinelle Lernen genauer ansehen, lassen Sie uns einige Missverständnisse aus dem Weg räumen. Machine Learning ist keineswegs der Versuch, das menschliche Gehirn nachzubilden. Trotz sensationeller Überzeugungen von Leuten wie Elon Musk behaupten Informatiker, dass sie nicht auf der Suche nach diesem heiligen Korn sind und schon gar nicht in der Nähe davon.
Simply put, machine learning is the practice of applying learning-by-example processes to computers. This contrasts with the traditional approach of relying on a human programmer to think up all the possible scenarios and hard-code rules for them into a system.
Ehrlich gesagt geht es darum, was maschinelles Lernen bedeutet: Tonnen und Tonnen und Tonnen von Daten an einen Computer weiterzuleiten, damit dieser aus Beispielen lernen kann (Versuch → Fehler → Vergleich → Verbesserung), anstatt sich auf den Quellcode zu verlassen.
Anwendungen des maschinellen Lernens
Also, wenn Machine Learning keine schwarze Magie ist und Terminatoren auch nicht hervorbringen werden, wofür ist es dann nützlich?

Machine Learning helps in cases where traditional programming falls flat, and these cases generally fall into one of the two cateblutrünstig.
- Klassifikation
- Prognose
Wie der Name schon sagt, geht es bei der Klassifizierung darum, Dinge richtig zu benennen, während die Vorhersage darauf abzielt, zukünftige Projektionen zu korrigieren, wenn ein ausreichend großer Datensatz vergangener Werte vorhanden ist.
Manche interessante Anwendungen des maschinellen Lernens sind:
Spam-Filterung
E-Mail-Spam is pervasive, but trying to stop it can be a nightmare. Just how is spam defined? Is it the presence of specific keywords? Or maybe the way it’s written? It’s tough to think up an exhaustive set of rules, program-wise.
Aus diesem Grund verwenden wir maschinelles Lernen. Wir zeigen dem System Millionen von Spam-Nachrichten und Nicht-Spam-Nachrichten und lassen es den Rest herausfinden. Dies war das Geheimnis hinter den hervorragenden Spam-Filtern von Gmail, die Anfang der 2000er Jahre persönliche E-Mails erschütterten!
Empfehlungen
All major e-commerce companies today have powerful recommendation systems. At times, their ability to recommend things we “might” find useful is incredibly accurate, despite our having never clicked on that item before.
Zufall? Überhaupt nicht!
Maschinelles Lernen ist hier eine harte Arbeit, die Terabyte nach Terabyte an Daten verschlingt und versucht, unsere volatilen Stimmungen und Vorlieben vorherzusagen.
Chatbots
Sind Sie auf Kundenbetreuung der ersten Ebene gestoßen, die seltsamerweise roboterhaft wirkte und dennoch interessante Smalltalks führen konnte?

Nun, dann wurden Sie von maschinellem Lernen beeindruckt!
Aus Gesprächen lernen und bestimmen, was wann zu sagen ist, ist ein bevorstehender und aufregender Bereich von Chatbot-Anwendung.
Unkrautentfernung
In der Landwirtschaft werden Roboter, die durch maschinelles Lernen angetrieben werden, verwendet, um Unkraut und andere unerwünschte Pflanzen selektiv inmitten von Pflanzen zu besprühen.
This would otherwise have to be done by hand or would be wildly wasteful as the system would spray the product as well with the killer liquid!
Voice Search
Sprachbasierte Interaktion with computer systems is not science fiction anymore. Today we have digital assistants like Alexa, Siri, and Google Home that can take commands verbally and not mess up (well, almost!).

Einige mögen argumentieren, dass es eine Erfindung ist, die am besten vermieden werden sollte, da sie die menschliche Rasse fauler denn je macht, aber Sie können nicht mit der Wirksamkeit argumentieren.
Medizinische Diagnose
We’re on the verge of a revolution in medical diagnosis, as Machine Learning based systems are beginning to outperform experienced doctors in Diagnose durch Röntgenstrahlen usw.
Please note that this does not mean doctors will soon not be needed, but that the quality of medical care will go up dramatically, while costs will take a plunge (unless business cartels dictate Sonstigeswise!).
This was just a sample of what Machine Learning is being used for. Self-driving cars, strategy game-playing bots, t-shirt folding machines, captcha-breaking, and coloring black-and-white photos are happening these days.
Arten des maschinellen Lernens
Es gibt zwei Arten von Techniken des maschinellen Lernens.
Supervised Learning, in which the system is directed by human judgment, and Unsupervised Learning, in which the system is left to learn all by itself. Another way of saying the same thing would be that in Supervised Learning, we have a data set containing both the inputs and the expected output, which the system uses to compare and self-correct. In Unsupervised Learning, though, there’s no existing output to measure against, so the results may vary wildly.
Eine aufregende und knochenfrohe Anwendung des unbeaufsichtigten maschinellen Lernens?
That would be bots playing board games, wherein the program is taught the game rules and winning conditions and then left to its own devices. The program then plays millions of games against itself, learning from its mistakes and reinforcing the advantageous decisions.
Wenn Sie auf einem ausreichend leistungsfähigen Computer arbeiten, kann eine weltbeste KI in wenigen Stunden vorbereitet werden!
The following images illustrate these ideas succinctly (Quelle: Mittel):


Tools und Bibliotheken für maschinelles Lernen
Data-Science-Experten nutzen viele ML-Tools und -Bibliotheken, um komplexe maschinelle Lernprobleme zu lösen. Hier sind einige der besten Plattformen für maschinelles Lernen Du kannst es versuchen:
# 1. TensorFlow
TensorFlow is an end-to-end ML platform that’s loved by many for creating production-grade ML models. You can use its pre-trained models directly or create your own models and train them.
Unabhängig von Ihrem Kenntnisstand können Sie mit diesem Tool ganz einfach ML-Lösungen finden. Mit TensorFlow in Ihrem Toolkit wird es für Sie einfacher, von der Forschungsphase zur Produktion zu gelangen. Es wird Ihnen helfen, schneller Lösungen zu finden, um Ihre ML-Aufgaben in jeder Phase des Workflows zu beschleunigen.

Merkmale:
- Laden und process data, build powerful ML-Modelle, und vor-process, clean, and consolidate data at scale with TensorFlow tools like standard data sets for initial model training and their validation.
- The TensorFlow ecosystem is developed on the Core framework, which streamlines the creation, training, and export of models.
- Support for quick model iteration, distributed training, effortless debugging using Keras, and more
- Verfolgen von Verbesserungen und Entwicklungen durch TensorBoard und Modellanalyse
- Running and deploying models on-device, on-premises, in the cloud, browser, edge devices, servers, mobile, CPUs, GPUs, microcontrollers, and FPGAs.
TensorFlow unterstützt Sie sogar bei der Implementierung von MLOps und Best Practices für Modellverfolgung, Datenautomatisierung, Modelltraining und Leistungsüberwachung.
# 2. scikit-lernen
scikit-lernen is an efficient yet simple ML tool that you can use for performing predictive data analysis. It’s accessible to anyone and reusable in a variety of different contexts. scikit-learn is built on SciPy, NumPy, and matplotlib.
The best thing is that scikit-learn is an open-source tool that’s commercially usable and has a BSD license. The tool is useful in:
- Klassifizierung: to identify an object’s category through ML algorithms like SVM, random forest, nearest neighbors, etc. It’s used in image recognition and spam detection.
- Rückschritt: um die kontinuierlich bewerteten Attribute eines Objekts durch Algorithmen wie SVR, Random Forest, nächste Nachbarn usw. vorherzusagen. Es wird zur Vorhersage von Aktienkursen und Medikamentenreaktionen verwendet.
- Clustering: zum Gruppieren ähnlicher Objekte durch Algorithmen wie k-Means, Mittelwertverschiebung, spektrales Clustering usw. Es wird zum Gruppieren von Experimentergebnissen und zur Kundensegmentierung verwendet.
- Dimensionsreduktion: um Zufallsvariablen zur Berücksichtigung durch Algorithmen wie PCA und Merkmalsauswahl zu reduzieren. Es wird zur Visualisierung und zur Steigerung der Effizienz verwendet.
- Modellauswahl: to compare, validate, and choose models and parameters through cross-validation and grid search. It’s used for improving accuracy.
- Vor-processing: to perform normalization and feature extraction for transforming input data.
# 3. MATLAB
MATLAB is a popular numeric computing and programming platform that millions of scientists and engineers use. It helps you analyze data, create models, and develop algorithms.
Its desktop environment is tuned for design processes and iterative analysis with a programming language that directly expresses array and matrix mathematics.

Merkmale:
- Modellieren, analysieren, untersuchen und visualisieren Sie Daten
- Create classes, functions, and scripts along with web and desktop apps
- Live Editor to create scripts with formatted text, output, and code in an executable notebook
- MATLAB applications allow you to see how algorithms work with data and then iterate und Genate a program to automate Arbeit
- Mit geringfügigen Änderungen können Sie Ihre Analysen auf Clouds, GPUs und Clustern ausführen
- Führen Sie paralleles Rechnen durch
- Kompatibel mit Azure und AWS
Maschinelles Lernen: Lernressourcen
Nun, da Sie alle mit maschinellem Lernen beschäftigt sind und wie es Ihnen helfen kann, die Welt zu erobern, wo sollen Sie anfangen?
Im Folgenden habe ich einige fantastische Ressourcen im Web aufgelistet, die Ihnen dabei helfen können, maschinelles Lernen ohne einen Doktortitel fließend zu beherrschen. in der Informatik! Wenn Sie kein Machine Learning-Forscher sind, werden Sie das Gebiet des Machine Learning genauso praktisch und unterhaltsam finden wie das Programmieren im Allgemeinen.
So, don’t worry; no matter what your level currently, you can, like a good Machine Learning program, teach yourself and get better. 😛
# 1. Programmierung
Die erste Voraussetzung für den Einstieg in das maschinelle Lernen ist das Programmieren. Das liegt daran, dass maschinelle Lernsysteme in Form von Bibliotheken für verschiedene Programmiersprachen.
Python ist das am meisten empfohlene, teilweise weil es unglaublich angenehm zu lernen ist und teilweise weil es ein riesiges Ökosystem an Bibliotheken und Ressourcen hat.

Der offiziell Der Anfängerleitfaden ist ein guter Ausgangspunkt, auch wenn Sie mit Python ein wenig vertraut sind. Oder nimm das Bootcamp Kurs ein Held werden von zero.
# 2. Denken Sie an Statistiken
Sobald Sie mit den Grundlagen von Python fertig sind, wäre meine zweite Empfehlung, zwei herausragende Bücher durchzugehen. Sie sind Kostenlos und als PDF zum Download verfügbar. Denken Sie an Statistiken und Denken Sie an Bayes are two modern classics that every aspiring Machine Learning engineer should internalGröße.
# 3. Udemy
An dieser Stelle würde ich empfehlen, ein paar Kurse von zu belegen Udemy. The interactive, self-paced format will help you get into the nitty-gritty and build confidence.
Ensure you check out the course prevschau, reviews (especially the negative ones!), and overall feel of the course before you get started.

Sie können auch kostenlos auf YouTube tolle Tutorials finden. Senddex ist so ein Kanal, den ich empfehlen kann, wo immer jede Menge Spaß ist, aber seine Herangehensweise ist nicht anfängerfreundlich.
# 4. Andrew Ng |
Kurs unterrichtet von Andrew Ng am Coursera ist wohl die beliebteste Lernressource für Grundlagen des maschinellen Lernens.

Though it uses the R programming language, it remains unparalleled in its treatment of the subject and its lucid explanations. Because of this course, Andrew Ng has achieved somewhat of a godlike stature in ML circles, and people look up to him for ultimate wisdom (I’m not kidding!).
Dies ist kein Kurs für Anfänger, aber wenn Sie bereits gut im Data Wrangling sind und etwas Nebenrecherche im Laufe der Zeit nicht stören, ist dieser Kurs die beste Empfehlung.
# 5. Udacity
Werden Sie ein Ingenieur für maschinelles Lernen, indem Sie diesen Nano-Abschluss machen Udacity.

Es wird ungefähr 3 Monate dauern, um den Kurs abzuschließen und zu beenden. Es wird erwartet, dass Sie eine gute Vorstellung von maschinellen Lernalgorithmen haben, wie man sie modelliert und in der Produktion einsetzt.
Schlussfolgerung
Die Ressourcen im Internet haben kein Ende, und Sie können sich leicht verlieren, wenn Sie anfangen. Die meisten von den Tutorials and discussions out there are mathematically challenging or lacking a structure and can break your confidence before you even get started.
So, I’d like to warn you against self-destruction: keep your aim modest and move in minimal steps. Machine Learning isn’t something you can get comfortable with within a day or two, but pretty soon, you’ll start to enjoy yourself, and who knows, maybe even CREate something frightening!
Habe Spaß! 🙂