В университете изучают широкий спектр предметов — программирование, обработку сигналов, теорию управления, исследование операций, инвестиционный анализ, оптимизацию портфеля, экономику, культурологию. Много самых разных предметов. Технических и гуманитарных. В процессе учебы студенты пытаются найти свое место в мире и выбрать ту область, которая для них наиболее привлекательна. Методы машинного обучения и нейронные сети могут применяться к любой области знаний.
Яркая иллюстрация "ЗА"
Если вы хотите сделать успешную карьеру, спросите себя:
Что мне нужно знать, чтобы я был наиболее полезен широкому кругу людей?
Представьте, что вы настоящий профессионал в черной магии — машинном обучении. Вы знаете недостатки, достоинства, время выполнения, требования к оборудованию и лучшее ПО для каждого популярного алгоритма ML. Вы знакомы с каждой статьей, опубликованной на NIPS, CVPR, ICML и ECCV за последнее десятилетие. Вы владеете самые информативными инструментами визуализации даже для самых непослушных данных. Вы можете обучить LSTM для создания человекоподобных твитов. На самом деле, вы можете написать и чат-бот, который пройдет тест Тьюринга. Вы используете обучение с подкреплением, чтобы победить лучших в мире игроков в Dota 2.
Представили?
Если вы являетесь таким человеком, то вы сразу полезны для любого бизнеса, у которого есть данные. Больница хочет, чтобы вы диагностировали пациентов. Технологическая компания хочет, чтобы вы анализировали поведение пользователей. Финансовые компании хотят, чтобы вы предсказывали движение акций. Страховые компании хотят, чтобы вы прогнозировали стихийные бедствия и распространение болезней. Автомобильные компании хотят, чтобы вы программировали их автомобили.
Подобное рассуждение может убедить, что ML-лучший предмет для изучения. Это чрезвычайно общий, очень полезный инструмент, который относительно недавно стал широко применяться.
"Сухие" исторические данные
На графике ниже показано количество исследовательских публикаций за последние несколько лет, в которых используется глубокое обучение. Для Китая и США — почти экспоненциальная кривая.
Причина такой тенденции проста — сейчас методы глубокого обучения достигают гораздо лучшей производительности во многих задачах искусственного интеллекта, чем любые другие методы. Сейчас можно решить многие реальные проблемы, которые раньше не могли быть решены — просто из-за того, что прежние методы были недостаточно точными или быстрыми.
После перехода к глубокому обучению у нас есть методы для создания новых продуктов, которые не были практически осуществимыми раньше. Такие вещи, как самоуправляемые автомобили, полезные чат-боты, точный перевод и прочие. Данные по компании Google это доказывает. На рисунке ниже можно увидеть, что глубокое обучения все больше и больше используется в продуктах Google.
Кроме этого, обнаружение скрытых шаблонов и знаний в многомерной информации — это очень интересно. Например, люди не могут легко визуализировать более 3 измерений. А компьютерные алгоритмы могут. И это захватывающе :)
Понравилась статья? Ставьте лайк и подписывайтесь на наш канал, чтобы не пропустить ни одной интересной публикации :)