10 điều bạn cần biết về máy học

Là một người thường xuyên giải thích về học máy cho người không chuyên nghiệp, tôi đã liệt kê 10 điểm sau đây để giải thích một số điều về học máy.

• #### 1, học máy có nghĩa là học từ dữ liệu; còn AI là một từ thời trang.

Học máy không giống như quảng cáo: bạn có thể giải quyết vô số vấn đề bằng cách cung cấp dữ liệu đào tạo phù hợp cho các thuật toán học thích hợp. Hãy gọi nó là AI nếu nó giúp bán hệ thống AI của bạn.

• #### 2, học máy chủ yếu liên quan đến dữ liệu và thuật toán, nhưng chủ yếu là dữ liệu.

Có rất nhiều điều thú vị về sự tiến bộ của thuật toán học máy, đặc biệt là học tập sâu. Nhưng dữ liệu là yếu tố quan trọng làm cho học máy có thể.

• #### 3, trừ khi bạn có một lượng lớn dữ liệu, bạn nên cố gắng sử dụng mô hình đơn giản.

Máy học đào tạo mô hình dựa trên các mô hình trong dữ liệu, khám phá không gian của các mô hình có thể được xác định bởi tham số. Nếu không gian tham số quá lớn, nó sẽ phù hợp quá mức với dữ liệu đào tạo và đào tạo một mô hình không thể tự tổng quát hóa. Nếu giải thích chi tiết về điều này, bạn sẽ cần phải thực hiện nhiều tính toán toán học hơn, và bạn nên coi đây là một nguyên tắc để mô hình của bạn đơn giản nhất có thể.

• #### 4, Chất lượng của học máy có liên quan mạnh mẽ đến chất lượng dữ liệu được sử dụng để đào tạo.

Người ta nói rằng bạn đưa vào một đống rác vào máy tính, và kết quả là một đống dữ liệu rác. Mặc dù câu này xuất hiện trước khi học máy xuất hiện, nhưng đó chính là một hạn chế quan trọng của học máy. Học máy chỉ có thể tìm ra các mô hình trong dữ liệu đào tạo.

• #### 5, Máy học chỉ hoạt động nếu dữ liệu đào tạo có tính đại diện.

Như hướng dẫn đầu tư của quỹ cảnh báo, hiệu suất trong quá khứ không đảm bảo kết quả trong tương lai. Học máy cũng nên đưa ra một tuyên bố cảnh báo tương tự: nó chỉ có thể hoạt động dựa trên dữ liệu phân bố giống như dữ liệu đào tạo. Do đó, cần phải cảnh giác với sự lệch giữa dữ liệu đào tạo và dữ liệu sản xuất và lặp lại mô hình đào tạo thường xuyên để đảm bảo rằng nó không bị lỗi thời.

• #### 6, Phần lớn công việc của học máy là chuyển đổi dữ liệu.

Với những quảng cáo rực rỡ về công nghệ học máy, bạn có thể nghĩ rằng những gì học máy làm chính là chọn và điều chỉnh các thuật toán. Nhưng thực tế là: phần lớn thời gian và năng lượng của bạn sẽ dành cho việc làm sạch dữ liệu và kỹ thuật đặc điểm, đó là chuyển đổi các đặc điểm nguyên thủy thành các đặc điểm có thể đại diện tốt hơn cho dữ liệu.

• #### 7, Học tập sâu là một bước tiến mang tính cách mạng, nhưng không phải là thuốc chữa bệnh.

Vì máy học đã được ứng dụng và phát triển trong nhiều lĩnh vực, nên học tập sâu cũng được quảng bá rất nhiều. Ngoài ra, học tập sâu thúc đẩy một số công việc truyền thống được thực hiện bằng kỹ thuật đặc trưng trở nên tự động, đặc biệt là đối với dữ liệu hình ảnh và video.

• #### 8, Hệ thống học máy rất dễ bị ảnh hưởng bởi lỗi của người vận hành.

Xin lỗi NRA, các thuật toán học máy không giết người, mà là giết người. Khi một hệ thống học máy bị hỏng, hiếm khi là do các thuật toán học máy có vấn đề. Nhiều khả năng là lỗi nhân tạo đã được đưa vào dữ liệu đào tạo, dẫn đến sai lệch hoặc lỗi hệ thống khác.

• #### 9, Máy học có thể vô tình tạo ra một lời tiên tri tự thực hiện.

Trong nhiều ứng dụng của học máy, quyết định bạn đưa ra ngày hôm nay sẽ ảnh hưởng đến dữ liệu đào tạo thu thập ngày mai. Một khi hệ thống học máy tích hợp sai lệch vào mô hình, nó có thể tiếp tục tạo ra dữ liệu đào tạo mới được tăng cường bởi sai lệch. Ngoài ra, một số sai lệch có thể phá hủy cuộc sống của mọi người.

• #### 10. AI sẽ không tự thức tỉnh, phản bội và hủy diệt nhân loại.

Có khá nhiều người có vẻ đã lấy ý tưởng về trí tuệ nhân tạo từ các bộ phim khoa học viễn tưởng. Chúng ta nên lấy cảm hứng từ khoa học viễn tưởng, nhưng không nên quá ngốc nghếch, nhầm tưởng rằng viễn tưởng là thực tế. Từ con người ác ý có ý thức đến mô hình học máy có sai lệch vô thức, có quá nhiều thực tế và nguy hiểm cần phải lo lắng.

Machine Learning bao gồm nhiều hơn những gì tôi đã đề cập ở trên. Tôi hy vọng những phần giới thiệu này sẽ hữu ích cho những người không chuyên nghiệp.

Bài viết được đăng tải bởi Global AI, Big Data Land