🐣🐣🐣Определить пол у цыпленка, который только родился, достаточно сложная задача, но важная (по разным причинам, например разная еда).

Задание заключается в том, что берешь маленького цыпленка в руку, смотришь на него короткий промежуток времени и принимаешь (правильное) решение. Но отличить петушка от курочки когда они такие маленькие очень сложно.

Оказывается, есть мастера которые делают это очень хорошо… но есть одна проблема, они сами не могут объяснить на словах как они это делают.

Хорошая новость - они могут объяснить на деле. Школа называется Zen-Nippon Chick Sexing School которая появилась в 30-х года прошлого столетия.

Работает это примерно так. Ученик берет в руку цыпленка, без понятия кто это - просто наугад определяет пол. Мастер, который наблюдает за процессом, поправляет когда была ошибка.

После длительных тренировок, ученик сам начинает улавливать суть и все правильнее отличать, но что интересно, также не может объяснить словами как это работает.

Все дело в том, что этот навык активирует наше подсознание, которое куда более мощнее, чем сознание и оно само улавливает эти минимальные разницы.

Так определение пола (с очень хорошей точностью) у новорожденного цыпленка становится возможным.

🤖 Как это связано с ML?

1️⃣Во-первых, обрати внимание, что в машинном обучении (обучение с учителем), происходит такой же процесс. Есть учитель (исторические данные с правильным ответом) и ученик (наша модель), которая пытается научится.


2️⃣Во-вторых, познать тайны такого ремесла, как машинного обучение, трудно только на словах (читая книгу или изучая формулы). Это прежде всего практическое ремесло, где нужно совершить много ошибок и учитель подсказывает как правильно, тем самым включая твое подсознание.

Это дает возможность вникать в суть. Чем глубже погружаешься, тем труднее это будет объяснить только словами (причем, что интересно, когда “словишь “фишку” то тоже не сможешь объяснить на словах).

@data_work

Кстати, именно поэтому на моих авторских курсах, я так много уделяю времени практике и заставляю (да, да именно заставляю, что с непривычки дается тяжело) думать и пробовать с самого начала, чтобы была возможность (в том числе) совершать свои ошибки и тем самым быстрее учиться.


3️⃣В-третьих, в машинном обучении, когда данных много, обычное CPU начинает “тупить” и этого не хватает, чтобы построить модель (особенно это касается тяжелой модели - например, компьютерного зрения, или тяжелых моделей для текста - NLP).

И тогда на помощь приходит специализированное железо GPU или даже TPU (более профилированное “железо”) - которое считает быстрее, но оно тоже более “капризное”, чтобы начать его использовать.

Вот наше подсознание это GPU/TPU. У нас нет напрямую доступа туда, но чем больше мы тренируемся, тем лучше у нас это получается (и потом можно назвать это интуицией или чем-то похожим).



Нравится история? Поставь 🔥огонь, буду писать еще продолжение.

@data_work

👨‍💻Вышла очередная статья на русском языке моего подкаста ​​Biznes Myśli.
На этот раз интервью брали у меня 🙂

Я рассказывал о машинном обучении и нужно ли оно разработчикам (особенно полезно будет для разработчиков на .NET, C#).

Прочитать статью можно по ЭТОЙ ССЫЛКЕ.

@data_work