AI для самых маленьких

Почему Facebook смог добиться таких успехов?

1. Потому что он знает о вас все: он читает ваши посты и разбирается в ваших интересах, а значит он показывает вам рекламу, на которую клюнете именно вы. Но как это работает? Что же такого революционного сделал Facebook, что у него вдруг резко увеличилась прибыль ? Тут не обошлось без новых алгоритмов машинного обучения.

2. Умные алгоритмы Facebook анализируют все доступные вам посты и формируют вашу персональную ленту на основе ваших предпочтений.

Социальная сеть берет во внимание множество факторов: о чем были посты, которые вы шейрили друзьям и постили у себя на странице, ваш возраст, ваши лайки и подписки, даже контент, который потребляют ваши друзья. На основе этих данных машина подбирает посты по схожей тематике, которые должны заинтересовать вас больше всего и отправляют прямо на первые места в ленте.

3. Но при подборе постов Facebook обращает внимание не только на информацию о нас с вами. Также приоритетность поста в ленте определяют его личные характеристики.
Так как же сделать свой пост самым интересным для пользователя по меркам алгоритмов Facebook?

4. Новый алгоритм использует те характеристики, которые поощряют активное взаимодействие. Это комментарии, лайки и репосты
Также у ФБ теперь в приоритете посты от родственников и друзей пользователя, потому что такие с большей вероятностью будут распространяться и обсуждаться в комментариях.

5. Тогда возникает мысль "ну тогда буду клянчить лайки, умышленно создавать активность в комментариях и тд“. Но здесь тоже на помощь приходит искусственный интеллект, который сам умеет определять призывы комментить, лайкать и репостить, которые наоборот будут понижать степень важности вашего поста.

Вывод

Опыт Facebook показывает, что современные технологии + правильные данные = огромный успех в цифровой рекламе.

Eсли хотите рекламироваться через Facebook и Instagram максимально эффективно, делайте контент, которым люди захотят делиться, который они захотят обсуждать.

И главное помните - если знаете, как работает технология, то вы можете извлечь из нее максимальную пользу

У меня часто спрашивают: «Вот ты учишь математику, а толку? Что оно тебе даст?». «Я занимаюсь наукой о данных и машинным обучением, мне это нужно»-отвечаю я. И тут же следующий вопрос «Зачем?»
Этому вопросу я и посвящаю этот пост.
(Далее наука о данных - data science, машинное обучение - machine learning )

1. Почему изучать искусственный интеллект, data science и machine learning это круто и прикольно? А самое главное – где и как мы можем это использовать.

Я уверен, что каждый из нас в детстве восхищался Шерлоком Холмсом. Он мог рассказать биографию человека, просто взглянув на него, проанализировав походку, потертость пиджака, запах духов, он знал все обо всех вокруг. Хотели бы уметь так же? А вот аналитики, которые собирают данные о нас с вами, умеют!

2. Да, да, аналитика часто очень похожа на метод дедукции и опирается она на чистую математику и данные, которые мы можем собрать.
Хочешь знать обо всем больше, чем другие? Учи математику! Хочешь предсказывать будущее? Учи математику! Хочешь быть почти волшебником? Учи математику!

3. Окей, вот есть у тебя в руках такой магический инструмент, а куда его прикладывать, где, собственно, эту магию применять? Да везде!

Хотите знать, кто выиграет матч по футболу? Проанализируй данные с предыдущих матчей и сможешь оценить вероятность победы каждой команды! Делайте ставки и гребите деньги лопатой.

Ты фермер и задолбался сортировать огурцы? Машинное видение в помощь! Пусть роботизированная рука с камерой делает это вместо тебя.

Помните, вас просили заполнить анкету, чтобы получить скидочную карточку? Это не просто так! Ваши данные используют, чтобы лучше знать, что вам рекламировать!

Распознавание голоса? Фоток? Видео? А может быть вы хотите научить компьютер разговаривать с вами или генерировать картинки по их описанию? Специалисты в machine learning уже делают это!

Вывод

Да, кажется, что математики сейчас управляют миром вокруг нас. Так вот не кажется!

Так что я решил развивать канал именно в этом направлении, и в следующих постах показывать, как же на практике применять ту математику, которую мы с вами будем учить

Получили свою дозу мотивации?)
Тогда собираем 30 пальцев вверх и в следующих постах мы расскажем, как компании угадывают наши желания, чтобы зарабатывать на нас больше денег

#вопрос #обучение_с_учителем #ответ

Вопрос 1

Ответ - регрессия, поскольку модель предсказывает вес ребенка. Вес - вещественное число. Значит такая модель - регрессор.

Вопрос 2

Ответ - классификация, поскольку модель предсказывает класс комментария. Эмоция - название - класс. Значит такая модель - классификатор.

#вопрос #обучение_с_учителем

Мы пытаемся обучить модель машинного обучения понимать, комментарий к видео на Ютубе позитивный или негативный. Эта модель регрессор или классификатор ?

Правильный ответ будет размещён через 24 часа

#вопрос #обучение_с_учителем

А теперь проведем небольшой интерактивный опрос, который поможет вам лучше усвоить материал

Мы хотим научиться предсказывать вес новорожденного ребенка, учитывая возраст его матери, курит ли она и употребляет ли алкоголь. Это задача регрессии или классификации ?

Правильный ответ будет размещён через 24 часа

#читай #обучение_с_учителем

ОБУЧЕНИЕ С УЧИТЕЛЕМ

1. Как только у нас есть РАЗМЕЧЕННЫЕ данные, мы можем на них обучить ПРЕДСКАЗАТЕЛЬНУЮ МОДЕЛЬ

2. ПРЕДСКАЗАТЕЛЬНАЯ МОДЕЛЬ – это такая штука, которая умеет угадывать то, что нам надо, если мы дадим ей нужные данные на вход. Это может быть, например, нейронная сеть.
В зависимости от того, что предсказывает модель, мы называем ее классификатором или регрессором.

3. Если модель умеет предсказывать класс («котик», «собачка», «кролик»), то эта модель КЛАССИФИКАТОР. Классификация это грубо говоря расклеивание наклеек с подписями(лейблами) на данные. Например, у нас есть куча наклеек с надписью «котик» и куча наклеек с подписью «собачка» и еще гора каких-то картинок. Хороший классификатор умеет правильно расклеить эти наклейки на нужные картинки. Но есть один момент: если показать этой модели фотку кролика, она наклеит на нее «собачка» или «котик», если она никогда раньше «кроликов» не видела.

4. Модель, которая предсказывает какое-то вещественное число (рост, цену) решает задачу регрессии. Мы можем, например, показать ей дом в Лос Анджелесе, 5000 кв м, 5 кроватей и 6 ванных, а она нам предскажет, что этот дом скорее всего стоит 9 000 000 $. Такая модель называется РЕГРЕССОРОМ.

Вывод

КЛАССИФИКАТОР занимается предсказанием классов(названий) объектов, а РЕГРЕССОР - чисел.

Всем привет! Учитывая тот хайп, который образовался последнее время вокруг искусственного интеллекта, машинного обучения и больших данных, я решил создать этот канал, где буду вникать в эту тему вместе с вами.

Суть Искусственного Интеллекта (Artificial Intelligence) в том, что мы пытаемся научить компьютер мыслить, как человек, а то и вовсе превосходить его по интеллектуальным возможностям.

Для этих целей сейчас используют различные системы машинного обучения (Machine Learning), для обучения которых нужно очень много данных.

Машинное обучение это наука о том, как заставить компьютеры выполнять нужные нам действия, в открытую их не программируя, а как бы заставляя их обучаться самостоятельно.

Это понятно, но как работают алгоритмы обучения и как их применять на практике, если я простой смертный и ничего не смыслю в математике. Именно об этих сложных и умных вещах я буду писать в этом канале простым языком, который поймет даже новичок в теме AI.