Що робити, якщо Ви хочете вивчати штучний інтелект, але не розумієте математики? Частина друга. Практика

Насправді математика вам особливо і не потрібна!

Якщо ви – розробник або сисадмін, то ви вже напевно використовуєте купу бібліотек і фреймворків, у влаштуванні яких ви добре не розбираєтеся. Вам не потрібно знати принципи веб-скрапінгу, щоб використати Curl. З штучним інтелектом все те ж саме. Існує велике число фреймворків і проектів, для розуміння і використання яких не потрібний вчений ступінь.

Не зрозумійте мене неправильно. Знання математики треба, щоб чітко розуміти, що відбувається за кулісами. Воно дозволить читати доповіді про дослідження і всякі розумні книжки без головного болю. Але якщо ви хочете почати використати штучний інтелект, це можна зробити вже сьогодні.

Розпочнемо з практичних проектів. Мій підхід до навчання дуже схожий з описаним в книзі The First Twenty Hours. Усі ми знаємо, що для того, щоб стати майстром, треба витратити багато часу. Але це нам поки що і не треба, ми лише починаємо. Зараз ми хочемо перейти від стадії “Що ти таке?” до “Та це ж весело!”. Ось основні кроки: Виберіть проект. Переступіть через свої страхи і почніть працювати над ним. Спробуйте купу всього і облажайтесь. Доведіть справу до кінця. Звучить нескладно? Тоді почнемо!

Виберіть проект

Спершу вам треба вибрати проект, який змотивує вас вийти із зони комфорту.

Як вам проект з призовим фондом в мільйон доларів, присвячений лікуванню раку легенів?

Kaggle – це майданчик для механічного навчання. Прямо зараз вони проводять змагання по поліпшенню класифікації ракових пухлин. Брати участь може хто завгодно, навіть ви.

Я знаю, про що ви думаєте.

У мене немає шансів перемогти. Це конкурс для професіоналів.

Добре, що ви так подумали, адже це приводить нас до другого кроку:

Переступіть через свої страхи

Найважливіший крок при вивченні чого-завгодно нового – не слухати цей тихий голос сумніву у вашій голові. Книга The First Twenty Hours радить позбавитися від того, що вас відволікає, скласти розклад і ще багато корисних речей. Медитуйте, займайтеся самонавіюванням, підіть в запій. Головне, щоб допомогло. Просто робіть те, що змусить цей голос піти. Якщо вам потрібна книга, яка допоможе з цим, спробуйте You Are a Badass – справжній шедевр!Ось в чому справа: зараз все погано. Але це нормально, скоро це зміниться!Почуття зніяковіння і невпевненості – це перший етап навчання. Тому замість того, щоб лаяти себе за невдачу, прийміть її як неминучий етап шляху. Ви ж вчитеся дечому класному! Не переможете ви в змаганні, ну і що? Зосередьтеся на тому, щоб отримати в нім добрий результат. Не кожен може виграти марафон, але пробігти його – вже саме по собі досягнення, чи не так? І знаєте що? Ви можете виграти. Серйозно.

Будучи любителем, ви не несете вантаж багаторічних теоретичних знань і ідей, що властиві професіоналам. Згадайте історію про студента, який вирішив два нерозв’язні завдання математики, подумавши, що це усього лише домашнє завдання. Річ у тому, що наука про дані – це швидше мистецтво, ніж наука. Так що йдіть і спробуйте.

І хто знає, що станеться? Може, ви помітите щось, що упустили знавці, вплинете на розвиток медицини і отримаєте солодкий приз!

Спробуйте купу всього і облажайтесь

Якщо ви знайомі з DevOps, то вже стикалися з цією фразою. Навчання вона теж стосується. Особисто я роблю так: беру купу різних книг і починаю по них пробігатися, вибираючи ті, які мені найбільше зрозумілі. Усі ми різні, тому варто вибрати книгу, яка підійде саме вам.Але я заощаджу вам час. Поки що вам абсолютно необов’язково вчитися писати системи механічного навчання на Python, Java або R з нуля. Вам потрібні готові інструменти, з якими ви зможете почати роботу над конкурсним проектом.

Вам підійде Keras з TensorFlow чи Theano.

Вам навіть не доведеться нічого настроювати. Візьміть цей готовий Docker- образ.

Неважливо, будете ви використати TensorFlow або Theano. І те, і те – двигуни для механічного навчання, і для вашого рівня вони абсолютно однакові. Keras – це бібліотека фреймворків для механічного навчання, створена одним з кращих дослідників штучного інтелекту в Google.

Доведіть справу до кінця

Тепер ви готові почати. Ось дуже простий приклад роботи з Keras.

Вам знадобиться якийсь підхід до рішення задачі. І я знову допоможу вам.

Найефективнішим методом розмітки і вивчення зображень є використання згортальних нейронних мереж. Google, Facebook, Pinterest і Amazon використовують їх у своїх проектах, то чому б не піти слідами кращих практик?

Насправді, якщо ви зайдете на сайт змагання, завантажте набір даних і відкриєте керівництво, то побачите, що воно зрозумілим чином розповідає вам, як треба обробляти зображення за допомогою згортальної нейронної мережі і бекенда з Keras і TensoFlow. Вуаля!

Після цього починайте діяти. Спробуйте різні параметри і алгоритми. Експериментуйте і отримуйте задоволення. Раптом ви наштовхнетеся на щось, що упустили знавці?

Відверто кажучи, якщо ви напишете увесь цей код і він працюватиме, ви вже молодець.

Є одно “але”: хтось вже отримав максимальний результат. Він зробив все по-розумному, вивчивши кращі роботи і збільшивши повчальний набір удвічі. Це абсолютно законно, але вам би не допомогло, оскільки у вас інше завдання. Ви хочете дізнатися, як використати нейронні мережі для класифікації даних.

От і все! Якщо повезе, ви допоможете у боротьбі з раком і отримаєте невелику винагороду. Непогано спершу.

Але навіть якщо ви не переможете, не зневіряйтеся – ви вчитеся використати штучний інтелект. І що б не сталося, пам’ятаєте: механічне навчання – це весело!

Переклад статті “Learning AI if You Suck at Math – Part Two – Practical Projects”