Ty też możesz uczyć maszyny!




Ty też możesz uczyć maszyny!

Opublikowano 9.05.2019 8:12 -


Podejrzewam, że każdy, kto chociaż trochę interesuje się tematami około technologicznymi, odczuwa delikatne zmęczenie uczeniem maszynowym. Aż strach otworzyć lodówkę, bo jeszcze ta zaproponuje kupienie mleka, bo akurat się kończy! Nawet w naszych podcastach często ocieramy się o ten temat. Głównie w przypadku analizy zachowania użytkowników, a tym samym zwiększania zaangażowania klienta w dany produkt. Tylko że zwykle jakoś nie podajemy przykładów… Ten tekst ma to zmienić.

Najpierw jedna mała uwaga. Podejrzewam, że ze względu na popularność uczenia maszynowego na tym temacie koncentrują się przede wszystkim właściciele firm oraz programiści. W pierwszym przypadku przypominam, że wprowadzanie nowości tylko dlatego, że inny tak robią to doskonały sposób na zmarnowanie funduszy. W przypadku uczenia maszynowego (i big data, bo te zagadnienia często są ze sobą powiązane) warto wiedzieć, jak może ono pomóc w rozwoju przedsiębiorstwa. Ślepa pogoń za innowacjami z reguły kończy się źle. Jeżeli zaś chodzi o programistów, to chciałbym wystosować drobną adnotację do tych, którzy dopiero zaczynają swoją przygodę z rozwiązaniem problemów przez pisanie kodu. Nie sądzę, aby uczenie maszynowe było dobrym startem. To zagadnienie wymaga niezłej znajomości języka, w którym się programuje, a także zagadnień z zakresu matematyki i statystki. Lepiej zacząć od nieśmiertelnego „Hello World” niż od programu mającego na celu rozpoznawanie obrazów.

Dlaczego o tym wspominam? Od początku roku uczę się Pythona. Z tego języka korzystam głównie do analizy i wizualizacji danych. Dlatego zaprzyjaźniłem się z takimi bibliotekami jak Pandas, NumPy i Plotly. Tworzenie raportów zacząłem przenosić do JuPytera. Nieśmiało zacząłem interesować się zagadnieniami związanymi z uczeniem maszynowym. Trafiłem na ciekawe repozytorium na GitHubie – „Industry Machine Learning”. Tam znalazłem różne zastosowania uczenia maszynowego. Wszystko to działające rozwiązania, a wiele z nich ma otwarty kod źródłowy, z którym można się zapoznać. Można też obejrzeć tutorial na YouTubie albo przeczytać książkę, ale – moim zdaniem – warto także zobaczyć, jak uczenie maszynowe stosują inni. Wiele razy, np. od programistów w firmie, słyszałem, że w przypadku programowania ważne jest także czytanie cudzego kodu. Dlatego gorąco zachęcam do przejrzenia rozwiązań, które zostały zebrane w „Industry Machine Learning”.

Mam jeszcze coś dla osób, które chcą podjąć się tematu uczenia maszynowego, ale nie wiedzą, od czego zacząć. Ja postanowiłem przejrzeć materiały znajdujące się w repozytorium „Awesome Machine Learning”. Znajdziecie tam nie tylko książki, kursy, tutoriale i newslettery. Jest tam także coś bardzo cennego. W „Awesome Machine Learnig” znajdziecie potężną listę bibliotek i frameworków, które możecie wykorzystać w pracy nad uczeniem maszynowym. Na dodatek są one podzielone na kategorie i zostały krótko opisane. Przydaje się, gdy poszukujecie rozwiązania dla problemu, nad którym myślicie od dłuższego czasu. Na dodatek, co dla mnie jest bardzo ważne, wiele z frameworków i bibliotek ma otwarty kod.

Takich zestawów jest mnóstwo na GitHubie. Dotyczą nie tylko uczenia maszynowego, ale także innych zagadnień. Eksplorujcie bezkresne morze repozytoriów! Można tam znaleźć wiele skarbów!