Перейдите на русскую страницу для representation learning (автоматическое усвоение представлений данных). Вы можете говорить все что угодно. Но разве ТАКОЕ мы хотим в отечественной информатике! По мне так полный бред. И все из-за невежественного понимания термина machine learning. Казалось бы, пустяк. Термин какой-то… А какая фигня получается. Спойлер: там тот термин на сегодняшний день переводится как обучения признакам!!! Все наоборот. A-la Слышу звон, да не знаю, где он…
В науке говорят, что новые теории окончательно побеждают со смертью последнего оппонента))
Я выдал пост с аргументацией. И если кому-то он запал в душу, то я со своей задачей справился.
Мы имеем феномен, который называется «усвоением знаний человеком и животными». Этот феномен объясняется теориями усвоения знаний (в частности павловской теорией условных-безусловных рефлексов). В 60-х годах XX-го века компьютерные ученые задались вопросом о том, как создать самообучающуюся машину, и дали классическое определение такой машины (определение дано выше в посте), как способной автоматически усваивать знания из данных, не будучи для этого программируемой. То есть признавалось, что вычислительную машину, в отличие от людей и животных, которые наделены такой способностью по природе, надо еще наделить способностью усваивать знания. Это делается путем строительства специальных моделей машинного усвоения знаний, в основе которых лежит алгоритм машинного усвоения. Строительство таких моделей и алгоритмов и является предметом подобласти ИИ под названием «машинное усвоение» (МУ).
Все проще. каждый переводчик, как и любой человек, ограничен рамками своих пониманий, взглядов и образования. Этот тезис ярко демонстрируется всей текущей дискуссией под моим постом. Взять только пониманием термина bias как порога)) у одного из комментаторов.
Ваш замечательный комментарий является яркой демонстрацией того, что в психологии называется рационализацией, т.е. объяснением причин, почему следует соблюдать статус-кво, даже если он ложен.
Читайте выше по ветке о различиях между усвоением знаний у животных/людей и усвоением знаний у машин. Спойлер: вернитесь к классическому определению в статье…
Вы ошибаетесь. Все они занимаются **организацией** работы модели: одни данными, другие инфраструктурой, третьи параллелизацией и распределенной обработкой, четвертые обслуживанием запросов на получение предсказаний.
Так, я и не рассчитывал на принятие сразу же. Мое дело поднять тему, объяснить несуразности. Человеческое сознание в массе своей неповоротливо как старый крейсер)). Мы привыкли цепляться за старое — так удобнее.
Материал взят из последней переведенной мной книжки 2021 года. Сейчас она находится в редактуре, и решается вопрос по терминологии.
Я пытаюсь отстоять МУ)) (по секрету ;-))
Инженеры машинного усвоения (ML engineer) выполняют те же задачи, что и инженеры данных, но для моделей МУ. Они берут модели, разработанные исследователями данных, и занимаются управлением инфраструктурой и операциями, связанными с тренировкой и развертыванием этих моделей. Инженеры МУ помогают строить производственные системы, способные выполнять обновления моделей, управлять версиями моделей и обслуживать конечных пользователей модельными предсказаниями.
Инженер данных (data engineer) сосредоточен на инфраструктуре и рабочем потоке процессов, приводящих корпоративные данные в движение. Они помогают управлять тем, как в компании выполняется приемка данных, как работают конвейеры данных и как данные хранятся и передаются. Инженеры данных имплементируют связанные с данными инфраструктуру и конвейеры.
Мой сын выражается датасетами тоже)) И я называю это чириканьем (без обид).
Вообще в МУ есть целый ряд ролей. Например, исследователь данных (data scientist) ‐ это человек, в центре внимания которого находится сбор, интерпретирование и обработка наборов данных. Он проводит статистический и разведывательный анализ данных. Применительно к машинному усвоению, исследователь данных может работать над сбором данных, генерированием признаков, строительством моделей и т. д. Исследователи данных часто работают на Python или R в среде блокнотов, и в организации они обычно являются первыми, кто возводят модели машинного усвоения.
Я выдал пост с аргументацией. И если кому-то он запал в душу, то я со своей задачей справился.
«усвоение знаний» -> «теории усвоения знаний» -> [«усвоение знаний животным» (animal learning), «усвоение знаний человеком» (human learning) и «усвоение знаний машиной» (machine learning)].
Ваш замечательный комментарий является яркой демонстрацией того, что в психологии называется рационализацией, т.е. объяснением причин, почему следует соблюдать статус-кво, даже если он ложен.
Я пытаюсь отстоять МУ)) (по секрету ;-))
Вообще в МУ есть целый ряд ролей. Например, исследователь данных (data scientist) ‐ это человек, в центре внимания которого находится сбор, интерпретирование и обработка наборов данных. Он проводит статистический и разведывательный анализ данных. Применительно к машинному усвоению, исследователь данных может работать над сбором данных, генерированием признаков, строительством моделей и т. д. Исследователи данных часто работают на Python или R в среде блокнотов, и в организации они обычно являются первыми, кто возводят модели машинного усвоения.