3分钟实操机器学习原理,这里有一个不挑人的模型 | 包教包会

简介:
本文来自AI新媒体量子位(QbitAI)

少年,还在为假期不能工作而苦恼吗?

或者像我一样不能低调展示一下正在从事的“AI”工作?

现在机会来了。

fe98d4e83e5c4ddd79d458ef0d0fbc4092e9f116

 teachable-machine

上图展示的是一个无需敲代码的小实验,名为“teachable-machine”,来自“Google和她的朋友们”。

通过这个小实验,你可以轻松简单地了解机器学习的工作原理,而且手把手教,包教包会,有台带摄像头的电脑就OK。

亲测完成一次实验不超过3分钟,全过程也富有趣味。

全过程

首先,允许程序使用你的电脑摄像头、麦克风和喇叭,主要用途是“输入”;

其次,开始整个机器学习的三大步骤:一是输入,二是学习,三是输出。

1)输入

在摄像头前做某个动作,数量不低于30次,多些角度和场景,然后在“准确值”接近100时开始下一个动作输入,总共三个。

2)学习

在你超过30次的动作捕捉中,机器通过这个“数据集”的学习,掌握了你这个动作代表的意思。

3)输出

三个动作均按要求输入完成后,一一对应的“输出”也会在这个过程中学习完毕。你可以在屏幕前做出任一动作,机器会通过相机输入后给出对应的“意义”。

当然,这个“意义”完全可以自定义,形式也多种多样,比如GIF动图、声音,甚至某段回答。

有什么用?

除了通过这个小实验,简单清晰了解机器学习的原理,其实也能做一些有趣的事情。

比如有人通过这个程序,就能在没有乐器的情况下,编写、弹奏原创音乐;也有人利用这个程序,把机器学习应用到自己的日常起居中。

值得一提的是,这个实验最有意思的地方在于,它允许任何人通过简单的操作,而不是代码来使用机器学习。

当然,这种效果实现背后,也要感谢deeplearn.js的努力,以至于让Web开发人员在浏览器中本地运行机器学习模型。

相关代码也已开源:https://github.com/googlecreativelab/teachable-machine

另外,如果你需要更多这样的机器学习模型,可移步:http://ml4a.github.io/guides/

最后,或许你已经有些迫不及待想要开始了。

这里有一段手把手视频教程,以及马上开黑的地址。



开黑地址:https://teachablemachine.withgoogle.com/

本文作者:李根
原文发布时间: 2017-10-04 
相关文章
|
11天前
|
机器学习/深度学习 数据采集 人工智能
构建高效机器学习模型的五大技巧
【4月更文挑战第7天】 在数据科学迅猛发展的今天,机器学习已成为解决复杂问题的重要工具。然而,构建一个既精确又高效的机器学习模型并非易事。本文将分享五种提升机器学习模型性能的有效技巧,包括数据预处理、特征工程、模型选择、超参数调优以及交叉验证。这些方法不仅能帮助初学者快速提高模型准确度,也为经验丰富的数据科学家提供了进一步提升模型性能的思路。
|
24天前
|
机器学习/深度学习 数据采集 监控
大模型开发:描述一个典型的机器学习项目流程。
机器学习项目涉及问题定义、数据收集、预处理、特征工程、模型选择、训练、评估、优化、部署和监控。每个阶段都是确保模型有效可靠的关键,需要细致操作。
16 0
|
24天前
|
机器学习/深度学习
大模型开发:解释正则化及其在机器学习中的作用。
正则化是防止机器学习过拟合的技术,通过限制模型参数和控制复杂度避免过拟合。它包含L1和L2正则化,前者产生稀疏解,后者适度缩小参数。选择合适的正则化方法和强度对模型性能关键,常用交叉验证评估。
|
15天前
|
机器学习/深度学习 数据采集 算法
构建高效机器学习模型的最佳实践
【4月更文挑战第3天】在数据驱动的时代,构建高效的机器学习模型已成为解决复杂问题的关键。本文将探讨一系列实用的技术策略,旨在提高模型的性能和泛化能力。我们将从数据预处理、特征工程、模型选择、超参数调优到集成学习等方面进行详细讨论,并通过实例分析展示如何在实践中应用这些策略。
15 1
|
7天前
|
机器学习/深度学习 自然语言处理 算法
|
2天前
|
机器学习/深度学习 数据采集 算法
构建高效机器学习模型:从特征工程到模型调优
【4月更文挑战第16天】 在数据驱动的时代,机器学习已成为解决复杂问题的关键工具。本文旨在分享一套实用的技术流程,帮助读者构建高效的机器学习模型。我们将重点讨论特征工程的重要性、选择合适算法的策略,以及通过交叉验证和网格搜索进行模型调优的方法。文章的目标是为初学者提供一个清晰的指南,同时为有经验的实践者提供一些高级技巧。
|
13天前
|
机器学习/深度学习 数据采集 算法
构建高效机器学习模型:从数据预处理到模型优化
【4月更文挑战第5天】 在机器学习领域,构建一个高效的模型并非易事。它涉及多个阶段,包括数据预处理、特征工程、模型选择、训练以及最终的评估和优化。本文深入探讨了如何通过精确的数据预处理技巧和细致的特征工程来提升模型性能,同时介绍了几种常见的模型优化策略。我们的目标是为读者提供一套实用的指导方案,帮助他们在面对复杂数据集时能够有效地构建和调整机器学习模型。
|
14天前
|
机器学习/深度学习 算法 数据挖掘
构建高效机器学习模型:从特征工程到模型调优
【4月更文挑战第4天】在数据驱动的时代,构建一个高效的机器学习模型是解决复杂问题的关键。本文将深入探讨特征工程的重要性,并分享如何通过自动化技术进行特征选择与构造。接着,我们将讨论不同的机器学习算法及其适用场景,并提供模型训练、验证和测试的最佳实践。最后,文章将展示如何使用网格搜索和交叉验证来微调模型参数,以达到最优性能。读者将获得一套完整的指南,用以提升机器学习项目的预测准确率和泛化能力。
|
23天前
|
机器学习/深度学习 人工智能 自然语言处理
大模型落地实战指南:从选择到训练,深度解析显卡选型、模型训练技、模型选择巧及AI未来展望---打造AI应用新篇章
大模型落地实战指南:从选择到训练,深度解析显卡选型、模型训练技、模型选择巧及AI未来展望---打造AI应用新篇章
大模型落地实战指南:从选择到训练,深度解析显卡选型、模型训练技、模型选择巧及AI未来展望---打造AI应用新篇章
|
23天前
|
机器学习/深度学习 分布式计算 监控
大模型开发:你如何使用大数据进行模型训练?
在大数据模型训练中,关键步骤包括数据准备(收集、清洗、特征工程、划分),硬件准备(分布式计算、并行训练),模型选择与配置,训练与优化,监控评估,以及模型的持久化与部署。过程中要关注数据隐私、安全及法规遵循,利用技术进步提升效率和性能。
30 2

热门文章

最新文章