Машинное обучение для интеллектуализации ваших приложений

  • Tutorial
Вводный доклад начального уровня о машинном обучении на конференции iForum'2014.

Формулируются концептуальные задачи машинного обучения и проводится обзор возможных применений для разнообразнейших прикладных задач. Рассматривается специфика процесса разработки и иплементации функционала, содержащего искусственный интеллект, в реальные программные продукты. Приводится список типичных ошибок новичков и ряд практических советов для успешного создания работоспособных интеллектуальных приложений.

Для программистов, желающих стать распознавальщиками.



Share post
AdBlock has stolen the banner, but banners are not teeth — they will be back

More
Ads

Comments 7

    +3
    Был как на самом мероприятии, так и на докладе. Честно, ничего нового не услышал, доклад был скорее на тему «вот есть такая штука, как машинное обучение, вот есть такие-то виды ML, алгоритмы; вот мы ее используем в таких-то продуктах, она нам принесла такие-то дивиденды». Тем более, что материал такого рода попытались пояснить аудитории буквально за 40 минут.
    Понимаю, что данного рода конференция не предназначена для раскрытия каких-то деталей выбранной темы, но хотя бы можно было взять и более подробно рассмотреть ML, хотя бы на примере тех же продуктов компании.
    ИМХО, но доклады на темы, которые содержат в себе достаточное кол-во математики и прочего не сильно вписываются в конференцию данного формата. Тут либо более глубоко рассматривать надо что-то на конкретном примере (тогда становится реально понятно, какие бенефиты от ML), либо вообще не рассматривать.
      +1
      Если посмотреть долю IT-проектов в России и Украине, связанных с машинным обучением (их очень мало, это можно оценить по количеству соответствующих вакансий на сайтах поиска работы) к общему количеству наших программистов, то это соотношение скорее всего окажется в разы или десятки раз ниже, чем в западных странах. По-моему, это не очень нормально и не очень хорошо, т.к. ума, фантазии и терпения у наших людей предостаточно. Мне кажется, что такая диспропорция вызвана в том числе и тем, что масса IT-людей, как программистов, так и бизнесменов, действительно не в курсе о такой замечательной штуке, как машинное обучение, что это и с чем это едят. Этот доклад был в первую очередь для них.
        +1
        Сравнивать СНГ и «запад» в разрезе интеллектуального анализа данных — неблагородное дело. У нас пока ни мозги не адаптированы для применения высшей математики в повседневной жизни, ни физических средств особо нет. Например, директор одной из компаний, в которой я работал, в магистратуре университета Беркли разрабатывал систему автоматизированного управления тракторами, которую затем внедрил в свои машины один из крупнейших производителей тракторов в штатах. А что наши директора? Правильно, на третьем курсе начали свой бизнес, и бакалавратуру закончили в лучшем случае кое-как. И будь они хоть пять раз хорошими руководителями и вообще отличными парнями (девчонками), но чтобы понять, как это можно предсказать количество покупателей в следующем месяце по данным за прошлые пол года, им реально нужно сдвинуть мировоззрение.

        С физическими средствами тоже всё зачастую плачевно. Вы в докладе упоминаете такой модный термин как big data, но сколько компаний у нас реально оперируют большими объёмами данных? За пределами десятки крупнейших такие компании можно находить решетом эратосфена — они и так встречаются не часто, а чем дальше от топа, тем реже и реже. А теперь вычислите пересечение множества компаний с большими данными и множества руководителей, способных воспринять высшую математику, и получится ровно то, что мы и имеем.
          0
          Соглашусь с вами, объективные проблемы есть, в системе образования в том числе. В защиту наших директоров следует сказать, что на старших курсах университетов часто бывает и слушать нечего, бывает, что это просто потеря времени. Встречаются очень хорошие наставники старшего поколения, но их мало и они уходят. Механизмов привлечения новых хороших кадров в ВУЗах сейчас не очень много.

          С другой стороны, интерес к этой тематике все же очень большой, и вышеупомянутые ресурсы для этого есть — значит, есть предпосылки для успеха. Мне хотелось бы быть оптимистом. =)
            +2
            В защиту наших директоров следует сказать, что на старших курсах университетов часто бывает и слушать нечего, бывает, что это просто потеря времени.

            Сейчас достаточно онлайн-ресурсов, чтобы изучать что угодно самостоятельно. Другое дело, что это не рассматривается как необходимость. Т.е. нет самой культуры использования достижений науки на практике — действительно, зачем нужно колесо, если уже есть 10 рабов, которые прекрасно таскают эти большие каменные блоки :)

            Предпосылки есть, и компании понемногу начинают внедрять ML в свою работу. Так что, конечно, надо развивать и развиваться :)
              0
              Дополнительный плюс использования рабов — много людей занято, процент безработицы падает — не то что в странах загнивающего Запада ))

              Прогрессивно мыслящие компании появляются — мне посчастливилось работать в одной такой. И DeepLeaning используют тоже — вот вчера появился пост о конференции у нас по Big Data, очень неплохого уровня:

              habrahabr.ru/company/rootuamedia/blog/222489/

                0
                Ну что ж вы делаете! Можно сказать, рабочий день поломали! :)

    Only users with full accounts can post comments. Log in, please.