Введение в машинное обучение. Интервью с Себастьяном Труном, CEO Udacity (2019)

• Себастьян Трун - со-основатель сервиса Юди Асити, руководитель подразделения Гугл Икс, профессор Стэнфорд и эксперт в области машинного обучения и искусственного интеллекта.  

• Трун подчеркивает важность быть открытым новым идеям и технологиям, не позволяя своему мозгу отказываться от исследований.  

• Машинное обучение - это процесс, при котором алгоритмы находят подходящий алгоритм преобразования входных данных в выходные.  

• Нейронные сети - это стопки слоев, каждый из которых состоит из нейронов, формул и внутренних переменных.  

• Обучение нейронной сети заключается в подборе значений внутренних переменных до тех пор, пока сеть не научится генерировать соответствующие выходные значения.  

• Машинное обучение позволяет системам учиться решать задачи без предварительных знаний и опыта.  

• В видео автор объясняет, как использовать сервис Clap для запуска исходного кода и просмотра результатов работы нейронной сети в браузере.  

• Задача - преобразование градусов Цельсия в градусы Фаренгейта.  

• Создание списков входных и выходных значений.  

• Создание модели плотной сети с единственным слоем и единственным нейроном.  

• Компиляция модели с использованием средне-квадратичной ошибки и функции оптимизации Адам.  

• Функция потерь - способ измерения того, насколько предсказываемое значение отличается от желаемого выходного значения.  

• Функция оптимизации - способ корректировки внутренних переменных нейрона для уменьшения потерь.  

• Функция оптимизации используется для корректировки значений внутренних переменных модели.  

• Функция потерь и функция оптимизации используются для обучения модели.  

• Модель получает на вход значение градусов цельсия и возвращает значение в градусах фаренгейта.  

• Функция потерь определяет, как должны быть подкорректированы внутренние переменные модели.  

• График изменения значения потерь показывает, как быстро модель обучается.  

• Модель становится более точной с каждой тренировкой.  

• Модель предсказывает значение градусов фаренгейта для заданных градусов цельсия.  

• Результаты предсказания достаточно точны.  

• Создание трехслойной модели с большим количеством нейронов и внутренних переменных.  

• Результаты предсказания также точны, но модель становится сложнее.  

• Модель закончила обучение и выдала результат, который оказался более точным, чем предыдущая модель.  

• Модель предсказала, что 100 градусов Цельсия соответствует 211.747474 по Фаренгейту.  

• Процесс тренировки состоит из последовательности действий, направленных на минимизацию ошибки модели.  

• Функция потерь вычисляет разницу между предсказанным и правильным значением.  

• Процесс оптимизации (градиентный спуск) изменяет значения параметров, чтобы уменьшить значение функции потерь.  

• Слои нейронной сети состоят из нейронов, которые связаны между собой.  

• В процессе обучения меняются только значения весов и смещений, а внутренняя математика нейрона остается неизменной.  

• Видео начинается с объяснения того, что формула конвертации градусов Цельсия в градусы Фаренгейта имеет только один вес и одно смещение, что аналогично структуре нейронной сети с одним нейроном.  

• Затем автор объясняет, что веса и смещения в модели были откалиброваны так, чтобы соответствовать формуле, что было сделано намеренно для демонстрации точного соответствия между переменными и целевым алгоритмом.  

• В реальной жизни, при решении практических задач машинного обучения, невозможно сопоставить значения переменных с целевым алгоритмом, так как мы не знаем его.  

• Вместо этого, мы тестируем различные архитектуры нейронных сетей, слои и методы, чтобы найти наиболее точные модели и архитектуры, которые решат поставленную задачу.  

• Автор благодарит зрителей за просмотр и призывает их оставлять комментарии и предложения, а также подписываться на канал.  

• Он также упоминает, что в следующих видео будут рассмотрены конкретные примеры применения машинного обучения.