4、工具和庫

工具和庫是數(shù)據(jù)科學家的基礎。我參與了大量關于哪種工具最好的辯論，哪個框架會取代另一個，哪個庫是經(jīng)濟計算的縮影等等。

但有一點共識--我們需要掌握該領域的最新工具，否則就有被淘汰的風險。 Python取代其他所有事物并將自己打造成行業(yè)領導者的步伐就是這樣的例子。 當然，其中很多都歸結為主觀選擇，但如果你不考慮最先進的技術，我建議你現(xiàn)在開始，否則后果可能將不可預測。那么成為今年頭條新聞的是什么?我們來看看吧!

PyTorch 1.0

什么是PyTorch?我已經(jīng)多次在本文中提到它了，你可以在Faizan Shaikh的文章中熟悉這個框架。

 

 

這是我最喜歡的關于深度學習文章之一!當時TensorFlow很緩慢，這為PyTorch打開了大門快速獲得深度學習市場。我在GitHub上看到的大部分代碼都是PyTorch實現(xiàn)的。這并非因為PyTorch非常靈活，而是最新版本(v1.0)已經(jīng)大規(guī)模應用到許多Facebook產(chǎn)品和服務，包括每天執(zhí)行60億次文本翻譯。PyTorch的使用率在2019年上升，所以現(xiàn)在是加入的好時機。

AutoML—自動機器學習

AutoML在過去幾年中逐漸取得進展。RapidMiner、KNIME、DataRobot和H2O.ai等公司都發(fā)布了非常不錯的產(chǎn)品，展示了這項服務的巨大潛力。你能想象在ML項目上工作，只需要使用拖放界面而無需編碼嗎?這種現(xiàn)象在未來并不太遙遠。但除了這些公司之外，ML / DL領域還有一個重要的發(fā)布-Auto Keras!

 

 

它是一個用于執(zhí)行AutoML任務的開源庫。其背后的目的是讓沒有ML背景的領域專家進行深度學習。請務必在此處查看，它準備在未來幾年內(nèi)大規(guī)模運行。

TensorFlow.js-瀏覽器中的深度學習

我們一直都喜歡在最喜歡的IDE和編輯器中構建和設計機器學習和深度學習模型。如何邁出一步，嘗試不同的東西?我將要介紹如何在你的網(wǎng)絡瀏覽器中進行深度學習!由于TensorFlow.js的發(fā)布，已成為現(xiàn)實。

 

 

TensorFlow.js主要有三個優(yōu)點/功能：

1.使用JavaScript開發(fā)和創(chuàng)建機器學習模型;

2.在瀏覽器中運行預先存在的TensorFlow模型;

3.重新創(chuàng)建已有的模型;

2019年的AutoML趨勢

我個人特別關注AutoML，為什么?因為我認為未來幾年它將成為數(shù)據(jù)科學領域真正的游戲規(guī)則改變者。跟我有同樣想法的人是H2O.ai的Marios Michailidis、Kaggle Grandmaster，他們都對AutoML有很高期望：

機器學習繼續(xù)成為未來最重要的趨勢之一，鑒于其增長速度，自動化是最大化其價值的關鍵，是充分利用數(shù)據(jù)科學資源的關鍵。它可以應用到的領域是無限的：信用、保險、欺詐、計算機視覺、聲學、傳感器、推薦、預測、NLP等等，能夠在這個領域工作是一種榮幸。AutoML趨勢：

提供智能可視化和解釋，以幫助描述和理解數(shù)據(jù);

查找/構建/提取給定數(shù)據(jù)集的更好特征;

快速建立更強大/更智能的預測模型;

通過機器學習可解釋性彌補這些模型的黑匣子建模和生產(chǎn)之間的差距;

促進這些模型落地生產(chǎn);

5、強化學習

 

 

如果我不得不選擇一個我看到的滲透更多領域的技術，那就是強化學習。除了不定期看到的頭條新聞之外，我還在社區(qū)中了解到，它太注重數(shù)學，并且沒有真正的行業(yè)應用程序可供專一展示。

雖然這在某種程度上是正確的，但我希望看到的是明年更多來自RL的實際用例。我在每月GitHub和Reddit排序系列中，我傾向于至少保留一個關于RL的存儲庫或討論，至少圍繞該主題的討論。

OpenAI已經(jīng)發(fā)布了一個非常有用的工具包，可以讓初學者從這個領域開始。

OpenAI在深度強化學習中的應用

 

 

如果RL的研究進展緩慢，那么圍繞它的教育材料將會很少。但事實上，OpenAI已經(jīng)開放了一些關于這個主題的精彩材料。他們稱這個項目為“Spinning Up in Deep RL”，你可以在這里閱讀所有相關內(nèi)容。它實際上是非常全面RL的資源列表，這里有很多材料包括RL術語、如何成為RL研究者、重要論文列表、一個記錄完備的代碼存儲庫、甚至還有一些練習來幫助你入門。

如果你打算開始使用RL，那么現(xiàn)在開始!

Google Dopamine

為了加速研究并讓社區(qū)更多的參與強化學習，Google AI團隊開源了Dopamine，這是一個TensorFlow框架，旨在通過它來使更靈活和可重復性來構建RL模型。

 

 

你可以在此GitHub存儲庫中找到整個訓練數(shù)據(jù)以及TensorFlow代碼(僅15個Python notebooks!)。這是在受控且靈活的環(huán)境中進行簡單實驗的完美平臺，聽起來像數(shù)據(jù)科學家的夢想。

2019年強化學習趨勢

Xander Steenbrugge是DataHack Summit的代表，也是ArxivInsights頻道的創(chuàng)始人，他非常擅長強化學習。以下是他對RL當前狀態(tài)的看法以及2019年的預期：

我目前看到RL領域的三個主要問題：

樣本復雜性(代理需要查看/收集以獲得的經(jīng)驗數(shù)量);

泛化和轉移學習(訓練任務A，測試相關任務B);

分層RL(自動子目標分解);

我相信前兩個問題可以通過與無監(jiān)督表示學習相關的類似技術來解決。目前在RL中，我們正在使用稀疏獎勵信號訓練深度神經(jīng)網(wǎng)絡，從原始輸入空間(例如像素)映射到端到端方式的動作(例如，使用反向傳播)。

我認為能夠促進強化學習快速發(fā)展的道路是利用無監(jiān)督的表示學習(自動編碼器、VAE、GAN)將凌亂的高維輸入空間(例如像素)轉換為低維“概念”空間。

人工智能：符合倫理才更重要

想象一下由算法統(tǒng)治的世界，算法決定了人類采取的每一個行動。這不是一個美好的場景，對嗎?AI中的倫理規(guī)范是Analytics Vidhya一直熱衷于討論的話題。

今年有相當多的組織因為Facebook的劍橋分析公司丑聞和谷歌內(nèi)部普遍關于設計武器新聞丑聞而遭受危機。沒有一個開箱即用的解決方案或一個適合所有解決方案來處理AI的倫理方面。它需要一種細致入微的方法，并結合領導層提出的結構化路徑。讓我們看看今年出現(xiàn)的重大政策：GDPR。

GDPR如何改變游戲規(guī)則

GDPR或通用數(shù)據(jù)保護法規(guī)肯定會對用于構建AI應用程序的數(shù)據(jù)收集方式產(chǎn)生影響。GDPR的作用是以確保用戶可以更好地控制他們的數(shù)據(jù)。那么這對AI有何影響?我們可以想象一下，如果數(shù)據(jù)科學家沒有數(shù)據(jù)(或足夠數(shù)據(jù))，那么構建任何模型都會還沒開始就失敗。

2019年的AI倫理趨勢預期

這是一個灰色的領域。就像我提到的那樣，沒有一個解決方案可以解決這個問題。我們必須聚集在一起，將倫理問題整合到AI項目中。那么我們怎樣才能實現(xiàn)這一目標呢?正如Analytics Vidhya的創(chuàng)始人兼首席執(zhí)行官Kunal Jain在2018年DataHack峰會上的演講中所強調的那樣：我們需要確定一個其他人可以遵循的框架。

結束語

有影響力!這是2018年來描述AI最佳的詞匯。今年我成為ULMFiT的狂熱用戶，我也很期待BERT。

文章原標題《A Technical Overview of AI & ML (NLP, Computer Vision, Reinforcement Learning) in 2018 & Trends for 2019》

譯者：烏拉烏拉

標簽： Google 代碼 谷歌 網(wǎng)絡

版權申明：本站文章部分自網(wǎng)絡，如有侵權，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權歸原作者所有，如需使用，請與原作者聯(lián)系。