[PYTHON] Wie nutzt man maschinelles Lernen für die Arbeit? 02_AI Entwicklungsprojektübersicht

Einführung

Ich schreibe eine Reihe zum Thema "Wie man maschinelles Lernen für die Arbeit nutzt". In diesem zweiten Artikel werde ich erläutern, wie das AI-Entwicklungsprojekt ablaufen wird.

Die Kapitel sind wie folgt.

――Was ist der Unterschied zwischen KI-Entwicklung und maschinellem Lernen?

• Überblick über die KI-Entwicklung ――Wo setzen Sie maschinelles Lernen in der KI-Entwicklung ein? --Verfahren zum Erstellen eines Modells

Was ist maschinelles Lernen? Wenn Sie der Meinung sind, dass Ihr Verständnis verdächtig ist, lesen Sie bitte auch "Teil 1: Den Zweck des maschinellen Lernens verstehen".

Was ist der Unterschied zwischen KI-Entwicklung und maschinellem Lernen?

Wie ich in Teil 1: Den Zweck des maschinellen Lernens verstehen vorgestellt habe, besteht eine umfassende Beziehung zwischen "KI> maschinelles Lernen". Insbesondere wird es als ** unter Verwendung von Technologie des maschinellen Lernens positioniert, während die KI-Entwicklung vorangebracht wird **.

(Quelle: https://rikei-danshi.work/entry/ai-chigai)

Überblick über die KI-Entwicklung

Die KI-Entwicklung ist in der folgenden Abbildung organisiert, aber wir werden mit dem Prozess der "Planung-PoC-Entwicklungsoperation" fortfahren.

--Planung: Klären Sie, was Sie mit AI machen möchten --PoC: Ist die geplante KI technisch machbar? Ist das Projekt rentabel? Prüfen --Entwicklung: Erstellen Sie ein "Modell", das das Herzstück der KI bildet, und implementieren Sie es im System

• Betrieb: Führen Sie Wartung und Betrieb durch, damit das entwickelte System stabil funktioniert.

Wo kann man maschinelles Lernen einsetzen?

Nachdem Sie sich nun den Gesamtprozess der KI-Entwicklung angesehen haben, überlegen wir, wo Sie maschinelles Lernen einsetzen können. Die Antwort ist, maschinelles Lernen in "PoC" und "Entwicklung" zu verwenden.

Das in der Abbildung gezeigte "Modell" ist die KI selbst. Um ein gutes Modell zu erstellen, sind maschinelle Lernfähigkeiten erforderlich. Für diejenigen, die vergessen haben, was ein Modell ist, lesen Sie bitte "Teil 1: Den Zweck des maschinellen Lernens verstehen".

Schritte zum Erstellen eines Modells

Um maschinelles Lernen zu beherrschen, benötigen Sie drei Hauptfähigkeiten. Die spezifische Programmierung wird in Teil 3 organisiert. Lassen Sie uns diesmal nur das große Ganze verstehen.

--Datenvorverarbeitung

• Modelllernen --Modell Bestätigung

Datenvorverarbeitung

Der Zweck der Datenvorverarbeitung besteht darin, die Daten so vorzubereiten, dass das Modell trainiert werden kann.

Insbesondere werden wir drei Dinge ausführen, aber im Wesentlichen ist die Hauptanalyse die ** "Vorbereitung" ** des maschinellen Lernens. Artikel, die von Personen mit praktischer Erfahrung verfasst wurden, werden häufig eher im Bereich der ** Datenwissenschaft ** als im Bereich des ** maschinellen Lernens ** verfasst.

• EDA (Exploratory Data Analysis): Erfassen Sie den statistischen Gesamttrend von Daten
• Verarbeitung von Vermissten und Ausreißern: Entfernen von störenden Daten, die Rauschen usw. verursachen.
• Merkmalsextraktion: Analysieren Sie, wo ** das Datengesetz ** erscheint

Modelllernen

Von hier aus wird die Technologie des maschinellen Lernens ernsthaft auftauchen. Wie in "Teil 1: Den Zweck des maschinellen Lernens verstehen" eingeführt ** Das Gesetz aus einer großen Menge vorbereiteter Daten ermitteln ** Ist der Hauptzweck.

Die zu diesem Zweck bereitgestellte Methode des maschinellen Lernens ist ** Algorithmus **. Wenn Sie es mit dem Kochen vergleichen, ist es leichter vorstellbar, wenn Sie an ** "Daten = Zutaten" ** und ** "Algorithmus = Rezept" ** denken.

Wenn Sie mit dem entsprechenden Rezept entsprechend den Zutaten kochen, können Sie köstliche Gerichte zubereiten. Das maschinelle Lernen ist dasselbe. Wenn Sie einen geeigneten Algorithmus für Daten verwenden, können Sie ein Modell (= gute KI) mit guter Vorhersagegenauigkeit erstellen.

Modell Bestätigung

Nach dem Training des Modells benötigen Sie eine ** Leistungsprüfung **, um festzustellen, wie genau das Modell vorhersagt.

• Gelegentlich ** sagt AI alles richtig voraus, oder? Einige Leute verwechseln es mit **. Bitte teilen Sie uns die Wichtigkeit der Überprüfung mit.

Bei der Überprüfung dieses Modells sind zwei Dinge zu tun.

• In Bezug auf die zweite werde ich die Details weglassen, weil es ausreicht, um in der Praxis zu verstehen.

• Messung der Vorhersagegenauigkeit: Wenn ich das Nachschlagewerk lese, werden verschiedene schwierige Erklärungen (Holdout-Methode, Kreuzungsüberprüfung usw.) vorgestellt. ** Probieren Sie es einfach aus und prüfen Sie, ob Sie es richtig vorhersagen können **. --Betrachten Sie die kontinuierliche Wartbarkeit des Modells: Ich werde es weglassen, weil der Inhalt tief sein wird, aber wenn Sie interessiert sind, lesen Sie bitte Modell neu lernen.

schließlich

Im nächsten Artikel werde ich das konkrete Implementierungsverfahren für die Vorverarbeitung, das Lernen und die Überprüfung auf der Grundlage der Programmiersprache Python organisieren. Bitte freuen Sie sich darauf, da es eine Reihe von Programmiermethoden und spezifischen Lernmethoden abdeckt und organisiert.

Darüber hinaus werden verschiedene Informationen auf SNS veröffentlicht. Wenn Sie also der Meinung sind, dass es in Ordnung ist, den Artikel zu lesen Ich wäre Ihnen dankbar, wenn Sie Twitter-Konto "Saku731" folgen könnten.

~~ Außerdem machen wir am Ende des Satzes für eine begrenzte Zeit "** Team Development Experience Project **". ~~ ~~ Wenn Sie interessiert sind, überprüfen Sie bitte [Application Sheet] für Details. ~~ (Zusatz) Die Frist wurde geschlossen, weil sie voll ist. Das nächste Mal ist für März 2019 geplant. Wenn Sie also informiert werden möchten, füllen Sie bitte [[Reservierungsformular]] aus (https://forms.gle/62troSMPQv8wLitQ8).

Bis zum Ende Danke fürs Lesen.