Januar 2019

Band 34, Nummer 1

[Anmerkung des Herausgebers]

Weiterentwicklung von KI

Durch Michael Desmond | Januar 2019

Wenn Sie MSDN-Magazin den letzten paar gelesen haben Jahre, Sie wissen, wir haben aggressiv künstliche Intelligenz (KI) ausgeführt und machine learning (ML), als Themen der Anfrage. Von Anfang führt Sie durch die Cognitive Services, detaillierte auswertungen von ML.NET-Framework und automatisierte Machine Learning in der Connect(); 2016; Sonderausgabe des MSDN Magazine letzten Monat spiegelt unsere Abdeckung die Dringlichkeit, die Microsoft in der Fortentwicklung der Stand der Technik in AI und ML ergeben hat.

In diesem Monat zeigen wir Ihnen ein Artikel zu drei Funktionen mit dem Schwerpunkt künstliche Intelligenz/Machine Learning-Paket. James McCaffreys "PyTorch für Windows – Einführung" bietet einen Blick auf eine vielversprechend neuronale Netzwerkbibliothek, die ausgeführt, auf einer niedrigeren Ebene wird als auch anderen gefallen von Microsoft Cognitive Services-Toolkit, Google TensorFlow und Scikit-Informationen. Yordan Zaykov, in der Zwischenzeit schreibt "Machine Learning mit probabilistisch Programmierung," zeigt wie das Framework Microsoft Infer.NET Algorithmen zum probabilistisch Rückschlüsse aus Daten bietet – nützlich für das Erstellen von statistische Modelle, die ML-Probleme zu lösen. Abschließend Arnaldo Peréz Castaño Autoren "nutzen die Agent-Architektur Überzeugungen-Wünsche-Absichten,", in dem er stellt Ihnen die ML-Architektur zu einem realen Szenario anwenden – insbesondere implementieren eine Reisen Assistenten-Agent in C#.

Der dauerhafte Fokus auf KI und ML gibt sowohl den tiefgreifenden Einfluss, die die Technologie zur Softwareentwicklung ist und die Geschwindigkeit, mit der sie entwickelt. McCaffrey ist als leitender Redakteur beim MSDN Magazine und leitender Entwickler bei Microsoft Research, in dem er tief in der ML-Entwicklung beteiligt ist. Er meint, es gibt derzeit Dutzende von bedeutende ML-Projekte in der Entwicklung bei Microsoft oder von Microsoft als open-Source stark unterstützt. McCaffrey Kinderrassel aus einer Liste von Projekten, die mit dem Sie ausübt, einschließlich ML.NET "," Infer.NET "," PyTorch "," Project Brainwave "und" Azure Batch AI "und" Azure automatisiert ML.

Wie können Entwickler einen Schritt voraus diese umfassende eingerahmt bleiben? Es ist, dass eine offene Frage, sagt McCaffrey. "Die Entwickler haben einer begrenzten Menge an Zeit, die für die vorausschauende Aktivitäten verwendet werden kann. Und daran, dass das Feld der künstliche Intelligenz/Machine Learning so groß ist und steigt so schnell, es gibt keine klare Lern-Roadmap für alle Benutzer, einschließlich mir selbst, muss die Würfeln, ein wenig bei Entscheidungen darüber, wo zu konzentrieren."

Wie Sie die Chancen zu Ihren Gunsten "Schräg"? McCaffrey bietet einige Tipps:

• Wählen Sie eine Bibliothek: Die wichtigsten Tiefen neuronalen Bibliotheken sind so unterschiedlich ist, dass es nicht möglich, alle Informationen. Entwickler, ein oder zwei höchstens auszuwählen, z. B. Keras, PyTorch oder Scikit berät-Informationen.
• Python abholen: Brennen Sie Zeit nicht lernen, Python, stattdessen übernommen wie Go. McCaffrey sagt die meisten Kollegen Developer – wie Abonnenten von MSDN Magazine – sind in erster Linie C# Programmierer und abholen Python schnell im laufenden Betrieb.
• Konzentrieren Sie sich auf diesen Grundlagen besteht: zunächst, dass Ihre ML Bildungseinrichtungen lernen vier grundlegende Verfahren: binäre Klassifizierung mittels logistischer Regression, multiklassenklassifizierung, die mit einer einzigen verdeckten Schicht neuronalen Netzwerks (bevorzugt auf dem Iris-Dataset) die Regression mithilfe einer einzigen verdeckten Schicht neuronales Netzwerk (vorzugsweise auf die Boston Housing Dataset) und k-Means-datenclustering.
• Mit Commit: Verwenden von ML ist keinem sequenziellen Prozess. McCaffrey beschreibt es als "große Graphen", die erfordert, dass Sie Themen, lernen etwas mehr jedes Mal und verstehen, wie Themen enger wiederholt zu untersuchen. Am ersten neural Network-Beispiele verwenden z. B. uniform random-Initialisierung. Es gibt viele alternativen, aber McCaffrey besagt, dass Sie vermeiden sollten, eingehend mit Themen direkt aufrufen.
• Seien Sie vorsichtig bei Workshops: Viele Programme von ML-Schulung sind sehr teuer und können beeinträchtigt werden, von niedrig technischen Qualität. Stellen Sie sicher, dass die "Instructor" eine Volltonfarbe für den Hintergrund und Bewertung vor einer endgültigen Änderung aufweist.

Michael Desmondist der Chefredakteur des MSDN Magazine. Fragen, Kommentare oder Vorschläge? Senden Sie sie in den Editor.