搭上 AI 潮

藉由Michael Desmond |2019 年 1 月

Michael Desmond 如果您讀過 MSDN Magazine 過去幾年來，您知道我們已積極地使用人工智慧 (AI) 和機器學習 (ML) 做為查詢範圍的主題。從 2016 年來深入探勘 ML.NET 架構和自動化在 connect （）; 中的機器學習服務的認知服務的早期簡介特殊 MSDN Magazine 期刊上個月，我們的涵蓋範圍對映 Microsoft 示提前先進的人工智慧和 ML 急迫性。

在本月期刊篇著重於 AI/ML 的三個功能發行的套件。James McCaffrey 」介紹在 Windows 上的 PyTorch」提供一窺大有可為的類神經網路程式庫，是在較低層級比其他人喜歡 Microsoft 認知服務工具組、 Google TensorFlow 運作和scikit-learn-了解。Yordan Zaykov 同時，寫入」機器學習服務透過不確定性的程式設計，"會顯示 Microsoft Infer.NET framework 如何提供演算法，可從資料的機率推斷 — 用於建置解決 ML 問題的統計模型。最後，Arnaldo Peréz Castaño 作者」運用信念-需要-自己的意願代理程式架構，」他逐步將 ML 架構套用至真實的案例 — 具體來說，實作旅遊中的小幫手代理程式C#。

AI 和 ML 持續的專注反映深遠的影響的技術有軟體開發，並與發展的速度。資深 MSDN 雜誌的特約編輯和資深的開發人員，他深入參與 ML 開發的 Microsoft research McCaffrey。他說目前有數十個顯著的 ML 專案，在 Microsoft 的開發或由 Microsoft 與開放原始碼強受支援。McCaffrey rattles 關閉他已參與，包括 ML.NET、 Infer.NET、 PyTorch、 Project Brainwave 和 Azure Batch AI 和 Azure 自動化的 ML 專案的清單。

開發人員可以如何保持領先這個廣泛的濱水區？這是開啟的問題，說 McCaffrey。「開發人員會有數量有限的時間可以用於前瞻性的活動。因為 AI/ML 欄位那麼大，而且會增加迅速，沒有任何清除學習藍圖，並每個人，包括我，對要擲骰子有點在哪裡進行選擇，以焦點時。」

那麼要如何在您偏好傾斜可能性？McCaffrey 提供的一些祕訣：

選擇文件庫:主要的深度類神經程式庫都不同，不可行，若要了解所有項目。他建議開發人員最多會挑選其中一個或兩個執行個體 Keras、 PyTorch 或 scikit-learn-了解。
挑選 Python:不燒錄時間學習 Python，改為挑選它作為您 go。McCaffrey 顯示大部分的開發人員同事 — 像是 MSDN Magazine 訂閱者，主要C#程式設計人員，而且它們挑選 Python 快速即時。
專注於基礎: ML 教育從了解開始四個基本技術：使用羅吉斯迴歸的多類別分類（最好是鳶尾花資料集上），使用單一隱藏的層的類神經網路二進位分類使用單一隱藏的層的類神經網路（最好備份在波士頓住宿的資料集）和的 k-means 群集的資料的迴歸。
認可到 Learning:精通 ML，不是循序的程序。McCaffrey 」將它描述成「龐大圖形」，您必須要重複檢查學習更每次和了解如何主題相互關聯的主題。比方說，最第一類神經網路範例會使用統一的隨機初始化。有許多替代方案，但 McCaffrey 說您應該避免立即將在這類主題深入。
小心的研討會:許多的 ML 訓練程式是非常耗費資源，而且從技術的低品質將會受到影響。請確定講師具有單色背景和認可之前的評價。

Michael Desmond是的總編輯MSDN Magazine。問題、意見或建議嗎？將它們傳送至編輯器。

[編者小記]

搭上 AI 潮

其他資源