Treść książki
Przejdź do opcji czytnikaPrzejdź do nawigacjiPrzejdź do informacjiPrzejdź do stopki
urządzeniadowypiekuchlebajestdoskonałymprzykłademiteracji,którymożnałatwo
zastosowaćwopracowywaniuoprogramowania.
Możemypójśćjeszczedalej,korzystajączuczeniamaszynowego.
Czymdokładniejestuczeniemaszynowe?
Wedługwiększościdefinicjiuczeniemaszynowejestzbioremalgorytmów,technikibran-
żowychsztuczek,którepozwalająmaszynomuczyćsięnapodstawiedanych–czyliczegoś,
comożnaprzestawićwformieliczbowej(macierze,wektory,itd.).
Abyjednaklepiejzrozumiećuczeniemaszynowe,przyjrzyjmysię,jakpowstało.Wla-
tach50-ychXXwiekuprowadzonoszerokozakrojonebadanianadgrąwwarcaby.Wiele
spośródtychmodeliskupiałosięnalepszejgrzeiwymyśleniuoptymalnychstrategii.
Moglibyśmypewnieobecniestworzyćprostyprogramgrającywwarcaby,cofającsię
odsytuacjiwygrywającej,rozrysowującdrzewodecyzyjneioptymalizującposunięcia.
Jesttojednakdośćzawężonyidedukcyjnysposóbrozumowania.Trzebabywefekcie
zaprogramowaćagentapodejmującegodecyzje.Wwiększościtychwczesnychprogramów
niebyłozaprogramowanegokontekstualboirracjonalnychzachowań.
Niemal30latpóźniejuczeniemaszynowezaczynałosięgwałtownierozwijać.Wiele
tęgichumysłówzaczęłopracowaćnadproblemamiobejmującymifiltrowaniespamu,
klasyfikowanieiogólnąanalizędanych.
Ważnązmianąjesttutajprzeniesienienaciskuzkomputerowejdedukcjinakompu-
terowąindukcję.JakwprzypadkuSherlockaHolmesa,dedukcjaobejmujezastosowanie
skomplikowanychmodelilogicznychdouzyskaniawniosków.Zkoleiindukcjaobejmuje
przyjęciedanychzaprawdziweipróbędopasowaniamodeludotychdanych.Zmiana
taprzyczyniłasiędowieluważnychpostępówwznajdywaniudobrychrozwiązańdla
typowychproblemów.
Problememprzyrozumowaniuindukcyjnymjestjednakto,żemożemyalgorytmowi
dostarczaćjedyniedane,któreznamy.Ilościoweokreślanieniektórychkwestiijestnie-
zwykletrudne.Wjakisposóbnaprzykładwyrazićliczbowo,jakmilutkowyglądakotek
nazdjęciu?
Wostatnich10latachjesteśmyświadkamirenesansudogłębnegouczenia,którepo-
magazłagodzićteproblemy.Zamiastpolegaćnadanychzakodowanychprzezludzi,al-
gorytmysąwstanieznajdowaćpunktydanych,którychwcześniejniebyliśmywstanie
określaćliczbowo.
Brzmitoświetnie,alemożliwościtewiążąsięzniezwyklewysokimikosztami
iodpowiedzialnością.
Wysokooprocentowanydługuczeniamaszynowego
WartykuleopublikowanymniedawnoprzezGoogleizatytułowanymnMachineLearning:
TeHighInterestCreditCardofTechnicalDebt”(Uczeniemaszynowe:długtechniczny
8
|
Rozdział1:Wprzybliżeniuprawdopodobniepoprawneoprogramowanie
