Search
#每日5分鐘快速添補ai知識與技能
如何選擇機器學習的模型？
⠀⠀
挑選機器學習演算法就如同挑選適合的鞋，
答案是：
沒有一種解決方案／適合所有情況的算法。
⠀⠀
有些演算法很容易解釋，
有些演算法很能處理雜訊、資料缺失等問題，
演算法所需的執行時間很重要。
⠀⠀
初學者常常面臨
如何從各種機器學習演算法中
選擇解決自己感興趣問題的方法。
⠀⠀
我們能從以下幾個因素來考慮：
1、數據的大小、質量和性質
2、擁有的計算資源和可以接收的計算時間
3、任務的緊迫程度
4、期望從數據中挖掘的內容
⠀⠀
在選擇機器學習算法時所做的一些決定，
更多其實取決商業決策，
而不是優化或者算法的技術面。
⠀⠀
分享機器學習模型及速查表👇
https://blog.tibame.com/?p=18419
⠀⠀
#AI60問 #機器學習 #演算法 #人工智慧
【AI／資料科學不可不知的60道問題】
每週4篇AI新知識，一次只要5分鐘，
具備AI跨域知識，為職場技能加分💪
#TibaMe #緯育TibaMe #知識 #學習 #科技
#島讀回顧 #人工智慧
今年島讀網站被搜尋最多次的關鍵字是「人工智慧」（AI）。
人工智慧近年的發展迅速，許多領域都能看到其應用。
島讀今年一篇《機器學習 — 知識工作者的未來》，以「文字產生器」GPT-3 討論人工智慧，獲得不少會員迴響。
---
寫論文很痛苦。有些人痛苦到整份照抄別人的論文。現在出現一線曙光，美國 OpenAI 公布機器學習模型 GPT-3（Generative Pretrained Transformer），堪稱是「萬用」的文字產生器。最近 GPT-3 開始封測，推出 API，更在矽谷引發轟動。目前已知有人用 GPT-3 寫程式、請牛頓解釋地心引力、回答醫學問題、摘要文章，甚至寫詩。
先說 OpenAI。OpenAI 是一個非營利組織，贊助者包括 PayPal 創辦人 Peter Thiel、Elon Musk 與 Salesforce 創辦人 Marc Benioff 等。其使命是確保通用人工智慧（Artificial General Intelligence）將用於服務人類，而非迫害人類。
GPT-3 則是其開發的語言生成模型，第三代的「文字產生器」（島讀去年討論過第二代）。使用者輸入一段文字，它就會生出下一個字，再繼續生出下一個字，不斷重複下去，直到人類喊停或是達到約 1,000 個英文字為止。例如我輸入：「天下分久必合，合久必 ___」，GPT-3 大概會預測下一個字是「分」。
如果我沒喊停，也沒有設定明確的任務，GPT-3 就會繼續生成下一個字，寫出一段故事或一篇文章。
或許你會問：「世界上文字千萬種，GPT-3 怎麼知道要寫論文或小說呢？」
這就是 GPT-3 驚人的地方：它是通用模型。只要使用者稍許提示，它就會自動調整輸出內容類型，不需要使用者另外精調（fine tune）。就像一個真的有用的 Siri，不管你丟什麼任務，只要是文字，它都接得下來。
例如有人簡短的提示（prompt） GPT-3「用 19 世紀作家 Jerome k. Jerome 的語氣寫一篇關於 Twitter 的文章」，GPT-3 就生出相當完整的作品。
只要是需要文字的任務，不論是回覆 email、寫新聞稿、翻譯外文、「翻譯」法律術語、編吉他和弦，甚至是寫程式，GPT-3 都能做得還不錯。一篇網路文章《GPT-3 可能是比特幣以來最重要的創新》更是格外轟動，因為讀者讀完才發現整篇都是 GPT-3 寫的。
相較於 GPT-2，GPT-3 效能是「暴力式」的飛越性成長。換言之，GPT-3 的基本架構與 GPT-2 幾乎一樣，只是參數由 15 億增加到 1,750 億（117 倍），但效果隨之大幅成長。這讓矽谷圈精神為之一振，因為代表機器學習仍可以透過擴大規模來成長。
雖說使用成本也等比增加 — 訓練一次 GPT-3 需要 460 萬美金 — 但能用錢解決的都是小問題。目前已知人類大腦的突觸約 1 百萬億個（100 trillion），是 GPT-3 的 1 萬倍。許多人不免幻想如果再來兩次升級 100 倍（共一萬倍），是不是就能逼近人類大腦了？
有成本就需要收入。OpenAI 現在提供 API，就是為將來商業化營運作準備。其他雲服務商如微軟、AWS、Google 也都開始提供機器學習「模型即服務」（Model as a Service, MaaS）。這大致可分三種應用：
● 垂直情境，簡單但量大的工作：如辨識異常、偵測錯字、回覆 email、回答客服基本問題等。這有點類似聘僱國中生實習，但聘雇的是無限個實習生。
● 垂直情境內，困難但狹隘的工作：以 AlphaGo 為代表。它打敗所有人，但只會下圍棋。
● 不限情境，多樣性比正確性重要的工作：以 GPT-3 為代表，如虛擬秘書、虛擬陪伴（《雲端情人》）、發想劇本、草擬程式碼、撰寫科技分析電子報（咦）等。
MaaS 固定成本高，因此會傾向集中於大型平台，特別是擁有資料的企業，如 Google。邊際成本現在也很高，但應該會逐漸降低，因此有利於擁有最多客戶（用量）的企業，如 AWS、微軟。
目前 GPT-3 率先大步起跑，將引發其他企業加大投資。其他企業需要差異化，因此會開發封閉的模型；GPT-3 則會是開放或開源的形式。同時，週邊的企業也需要開發工具，形成生態圈。例如目前運算的延遲嚴重，因此雲端的速度必須跟上。有更多相容的 app 提供更精準的提示，才能發揮 GPT-3 的價值。
⠀
想知道文章對 GPT-3 的原理、隱憂的討論，歡迎試用島讀的 1 元訂閱方案：https://bit.ly/3myOL0D
---
更多人工智慧內容：
[Podcast] 從邊緣挑戰雲上的人工智慧｜特別來賓耐能智慧創辦人劉峻誠（公開）
https://apple.co/2WrmCgC
臉部辨識 — 30 億張照片的資料庫｜執法機關熱烈採用｜三條路線（會員限定）
https://bit.ly/3p791an
蛋白質的 50 年難題｜AlphaFold 遙遙領先｜諾貝爾獎在望（會員限定）
https://bit.ly/2LSzIBt
今日內容摘要
✅ Haskell 基礎教學的程式碼和練習
✅ 全面的深度學習/人工智慧和機器學習教學
✅ 從單一來源的配置為多個平台建立相同的機器映像檔工具
✅ 一個專業設計的集合，UI 元件建立在一個框架無關的技術上
✅ 用程式碼製作的幾何無襯線字體
✅ 新的 NodeJS 的端到端測試框架
✅ 使用視覺化和動畫來解釋 GPT3 的運作原理
✅ 一種解釋任意機器學習模型輸出的博弈論方法
✅ 一個自動化機器學習生命週期的開源 AutoML 工具套件，包括特徵工程，神經結構搜尋，模型壓縮和超參數調整
✅ 受 Prometheus 啟發的水平可伸縮的、高可用的、多用戶的日誌聚合系統
✅ 直接從 Docker 部署到 AWS 的外掛工具
✅ 微服務的 Go 標準程式庫
✅ 用於安全智能合約開發的程式庫
✅ 為物聯網簡化建構行動和 Web 應用程式一個物聯網平台
https://softnshare.com/soft-share-179-gpt3/
「孫在陽」直播-國立陽明交通大學-數據科學之視覺化分析
大數據利用時間的特性，以統計圖表呈現分析結果，以然成為一種企業尋找管理策略的方法。商業智慧的成功，當然也可以促成醫學智慧的成功。
孫在陽老師主講，[email protected]
範例、講義下載：https://goo.gl/ytzRxT
時間軸
00:00:00 PPT簡報實務應用簡介
00:03:09 建立模型
00:03:54 依統計目的的圖表設計
00:10:40 ICD 9:434.90 屬於 TIA
00:14:32 依疾病碼做腦中分疾病分類
00:20:50 建立標題
00:21:23 01.ICD比例統計
00:26:20 02.ICD次數統計
00:28:30 視覺化
00:32:16 加入時間特性做連續型分析
00:49:20 自動分析
00:54:35 知識
01:01:14 關鍵影響因數
01:50:01 分解樹
「孫在陽」直播-長榮大學-視覺化分析-2.自動分析
大數據分析中的數據清理，關乎於大數據分析成敗關鍵。轉置、樞紐、文字清理、數字清理、日期清理等，遺漏值、異常值、雜訊等數據清理。讓數據不是垃圾，就必需做好數據清理。商業智慧的自動化分析，讓數據背後的意義，直接呈現。
孫在陽老師主講，[email protected]
範例、講義下載：https://goo.gl/ytzRxT
時間軸
00:00 複習資料清理
01:00 地區國家資料清理
03:09 日期資料清理
20:53 建立模型
「孫在陽」直播-致理科大-外貿數據應用分析-視覺化分析
中華民國貿易順差還是逆差，讓我們來看近十年進出口的比較與分析。大數據分析中的數據清理，關乎於大數據分析成敗關鍵。轉置、樞紐、文字清理、數字清理、日期清理等，遺漏值、異常值、雜訊等數據清理。讓數據不是垃圾，就必需做好數據清理。
孫在陽老師主講，[email protected]
範例、講義下載：https://goo.gl/ytzRxT
時間軸
00:00 複習資料清理
01:00 地區國家資料清理
03:09 日期資料清理
20:53 建立模型
可解释的机器学习--黑盒模型可解释性理解指南》，该书为《Interpretable Machine Learning》中文版- GitHub - MingchaoZhu/InterpretableMLBook: 《可解释的机器学习-- ... ... <看更多>
「无限宽度限制」为理论分析提供了一个起点，但它通常与现实世界的深度学习模型几乎没有什么相似之处，尤其是普通的深度神经网络，在那种情况下，抽象将越 ... ... <看更多>
機器學習模型 解釋 在 【機器學習2021】機器學習模型的可解釋性(Explainable ML) (上) 的推薦與評價
【機器學習2021】 機器學習模型 的可 解釋 性(Explainable ML) (上) – 為什麼類神經網路可以正確分辨寶可夢和數碼寶貝呢？ 37K views · 2 years ago ... <看更多>