The 7 steps of machine learningYouTube↗  IA↗(long shot)
Science & Technology  2.1M views 34.8K likes 788 dislikes   31 Aug 2017
Google Cloud Tech 1.4M subscribers United States YouTube↗


Please select the problem
You must specify your email and describe the problem in detail
Describe your problem in detail if it's not obvious

Click to Play Video Click to Play Video
[MUSIC PLAYING] YUFENG GUO: From detecting skin cancer
Dal rilevare il cancro della pelle
to sorting cucumbers to detecting escalators
allo smistare i cetrioli all'identificare le scale mobili
in need of repair, machine learning
da riparare, il machine learning
has granted computer systems entirely new abilities.
ha fornito ai sistemi informatici abilità totalmente nuove.
But how does it really work under the hood?
Ma come funziona davvero a livello pratico?
Let's walk through a basic example
Prendiamo un esempio basilare
and use it as an excuse to talk about the process of getting
e usiamolo come scusa per parlare del processo di ricevere risposte dai dati
answers from your data using machine learning.
usando il machine learning.
Welcome to Cloud AI Adventures.
Benvenuti su Cloud AI Adventures.
My name is Yufeng Guo.
Io sono Yufeng Guo.
On this show, we'll explore the art, science,
In questa serie esploreremo l'arte, la scienza e gli strumenti
and tools of machine learning.
del machine learning.
Let's pretend that we've been asked
Poniamo che ci abbiano chiesto
to create a system that answers the question of whether a drink
di creare un sistema che riconosca se una bevanda
is wine or beer.
è vino o birra.
This question answering system that we build
Questo sistema di risposta a una domanda si chiama modello,
is called a model, and this model is created via a process called training.
e questo modello viene creato attraverso il processo dell'addestramento.
In machine learning, the goal of training
Nel machine learning, l'obbiettivo dell'addestramento
is to create an accurate model that answers our questions
è creare un modello accurato che risponda alle nostre domande
correctly most of the time.
per la maggior parte in modo corretto.
But in order to train the model, we
Ma per addestrare il modello
need to collect data to train on.
dobbiamo raccogliere dati con cui addestrarlo.
This is where we will begin.
Inizieremo da questo.
Our data will be collected from glasses of wine and beer.
I nostri dati saranno raccolti da bicchieri di vino e birra.
There are many aspects of drinks that we could collect data on--
Ci sono molti aspetti delle bevande di cui raccogliere i dati,
everything from the amount of foam to the shape of the glass.
dalla quantità di schiuma alla forma del bicchiere.
But for our purposes, we'll just pick two simple ones--
Ma per il nostro scopo, scegliamo solo due semplici dati:
the color as a wavelength of light and the alcohol content
il colore come onda di luce
as a percentage.
e la gradazione alcolica come percentuale.
The hope is that we can split our two types of drinks
La speranza è di riuscire a dividere queste due bevande
along these two factors alone.
solo in base a questi due fattori.
We'll call these our features from now on--
D'ora in poi le chiameremo le nostre "qualità",
color and alcohol.
colore e alcol.
The first step to our process will be to run out to the local grocery store,
Il nostro primo passo sarà correre al supermercato,
buy up a bunch of different drinks,
comprare una serie di bevande
and get some equipment to do our measurements-- a spectrometer
e prendere qualche strumento per le misurazioni: uno spettrometro
for measuring the color and a hydrometer
per misurare il colore, e un idrometro
to measure the alcohol content.
per misurare la gradazione alcolica.
It appears that our grocery store has an electronics hardware section as well.
Sembra che il nostro supermercato abbia anche un reparto elettronica.
Once our equipment and then booze-- we got it all set up--
Una volta preso il materiale e l'alcol,
it's time for our first real step of machine
è il momento del primo vero passo del machine learning:
learning-- gathering that data.
raccogliere i dati.
This step is very important because the quality
Questo passo è molto importante perché la qualità
and quantity of data that you gather
e quantità di dati che raccogliete
will directly determine how good your predictive model can be.
determineranno la qualità del vostro modello predittivo.
In this case, the data we collect
In questo caso, i dati che raccogliamo
will be the color and alcohol content of each drink.
saranno il colore e la gradazione alcolica di ogni bevanda.
This will yield us a table of color, alcohol content,
Questo ci darà una tabella di colore, gradazione alcolica
and whether it's beer or wine.
e ci dirà se si tratta di vino o birra.
This will be our training data.
Questi saranno i nostri dati di addestramento.
So a few hours of measurements later, we've
Qualche ora di misurazioni dopo,
gathered our training data and had a few drinks, perhaps.
abbiamo raccolto i nostri dati di addestramento e forse bevuto un po'.
And now it's time for our next step of machine learning--
Ora è il momento del prossimo passo nel machine learning:
data preparation--
la preparazione dei dati,
where we load our data into a suitable place
in cui carichiamo i dati in un luogo adatto
and prepare it for use in our machine learning training.
e li prepariamo per usarli nell'addestramento di machine learning.
We'll first put all our data together then randomize
Prima mettiamo tutti i dati insieme, poi li sistemiamo in ordine casuale.
the ordering. We wouldn't want the order of our data
Non vogliamo che l'ordine dei dati influenzi l'apprendimento
to affect how we learn since that's not part of determining whether a drink is beer or wine.
perché non fa parte del riconoscere se la bevanda sia vino o birra.
In other words, we want to make a determination of what
In altre parole, vogliamo determinare cosa sia la bevanda
a drink is independent of what drink came before or after it in the sequence.
indipendentemente da quale bevanda c'è prima o dopo nella sequenza.
This is also a good time to do any pertinent visualizations
Questo è anche un buon momento per visualizzare i vostri dati
of your data, helping you see if there is any relevant relationships between different variables
per aiutarvi a capire se ci siamo legami rilevanti tra diverse variabili
as well as show you if there are any data imbalances.
e per notare eventuali squilibri nei dati.
For instance, if we collected way more data points about beer
Ad esempio, se raccogliamo molti più dati relativi alla birra che al vino,
than wine, the model we train will be heavily biased
il modello da addestrare sarà molto portato
toward guessing that virtually everything that it sees
a supporre che virtualmente tutto ciò che vede sia birra,
is beer since it would be right most of the time.
dato che il più delle volte avrebbe ragione.
However, in the real world, the model
Però, nel mondo reale, il modello
may see beer and wine in equal amount, which
può vedere birra e vino in uguali quantità,
would mean that it would be guessing beer wrong half the time.
quindi individuando la birra avrebbe torto metà delle volte.
We also need to split the data into two parts.
Dobbiamo anche dividere i dati in due parti.
The first part used in training our model
La prima, usata per l'addestramento,
will be the majority of our dataset.
sarà la maggior parte del set di dati.
The second part will be used for evaluating our train model's
La seconda parte sarà usata per valutare la performance del modello.
performance. We don't want to use the same data that the model was trained
Non vogliamo usare gli stessi dati dell'addestramento
on for evaluation since then it would just
per la valutazione, perché il modello potrebbe
be able to memorize the questions,
saper memorizzare le domande,
just as you wouldn't want to use the questions from your math
come voi non vorreste usare i quesiti del vostro compito di matematica
homework on the math exam.
per il prossimo esame.
Sometimes the data we collected needs other forms
A volte i dati raccolti hanno bisogno di altri modi
of adjusting and manipulation-- things
di adattare e manipolare.
like duplication, normalization, error correction, and others.
Cose come la duplicazione, la normalizzazione, la correzione di errori, eccetera.
These would all happen at the data preparation step.
Avverranno tutte nella fase di preparazione dei dati.
In our case, we don't have any further data preparation needs,
Nel nostro caso non ci servono ulteriori preparazioni,
so let's move on forward.
quindi andiamo avanti.
The next step in our workflow is choosing a model.
Il prossimo passo nel nostro lavoro è scegliere un modello.
There are many models that researchers and data scientists
Ci sono molti modelli che i ricercatori e gli scienziati
have created over the years.
hanno creato negli anni.
Some are very well suited for image data, others
Alcuni sono molto adatti per dati visivi, altri per sequenze,
for sequences, such as text or music, some for numerical data,
come testo o musica, altri per dati numerici
and others for text-based data.
e altri per dati basati su testi.
In our case, we have just two features-- color and alcohol
Nel nostro caso, abbiamo solo due aspetti:
percentage.
colore e percentuale alcolica.
We can use a small linear model, which
Possiamo usare un piccolo modello lineare,
is a fairly simple one that will get the job done.
uno molto semplice che completerà il lavoro.
Now we move on to what is often considered
Ora passiamo a quella che spesso è considerata
the bulk of machine learning--
la parte maggiore del machine learning,
the training.
l'addestramento.
In this step, we'll use our data to incrementally improve
In questa fase, useremo i dati per migliorare gradualmente
our model's ability to predict whether a given
l'abilità del modello di prevedere se una bevanda
drink is wine or beer.
sia vino o birra.
In some ways, this is similar to someone
Per alcuni aspetti è simile a qualcuno che impari a guidare.
first learning to drive. At first, they don't know how any of the pedals, knobs,
All'inizio non conosce i pedali, le leve,
and switches work or when they should be pressed or used.
e li scambia, o confonde quando dovrebbero essere usati.
However, after lots of practice and correcting
Però, dopo molta pratica e correzione degli errori,
for their mistakes, a licensed driver emerges.
abbiamo un guidatore patentato.
Moreover, after a year of driving,
Inoltre, dopo un anno di guida,
they've become quite adept at driving.
è diventato piuttosto esperto.
The act of driving and reacting to real-world data
L'atto di guidare e la reazione ai dati del mondo reale
has adapted their driving abilities, honing their skills.
hanno adattato la sue abilità di guida, affinando la sua bravura.
We will do this on a much smaller scale with our drinks.
Noi lo faremo in scala molto minore con le nostre bevande.
In particular, the formula for a straight line
In particolare, la formula per una linea dritta
is y equals mx plus b, where x is the input,
è y uguale a mx più b, dove x è l'input,
m is the slope of the line, b is the y-intercept,
m è la pendenza della linea, b è l'intercetta di y
and y is the value of the line at that position x.
e y è il valore della linea in quella posizione x.
The values we have available to us to adjust or train
I valori che abbiamo a disposizione per adattare l'addestramento
are just m and b, where the m is that slope and b is
sono solo m e b, dove m è la pendenza e b è l'intercetta di y.
the y-intercept. There is no other way to affect the position of the line
Non c'è altro modo di modificare la posizione della linea
since the only other variables are x, our input, and y,
perché le uniche altre variabili sono x, il nostro input, e y,
our output.
il nostro output.
In machine learning, there are many m's
Nel machine learning, ci sono molte m
since there may be many features.
perché possono esserci molti fattori.
The collection of these values is usually formed into a matrix that is denoted
L'insieme di questi valori, di solito, forma una matrice che è denominata
w for the weights matrix.
con w, ovvero la matrice dei pesi.
Similarly, for b, we arranged them together, and that's called the biases.
In modo simile, abbiamo raggruppato i valori di b, o bias.
The training process involves initializing some random values
L'addestramento implica l'inizializzazione di valori casuali
for w and b and attempting to predict the outputs with those values.
per w e b e cercare di predire gli output con questi valori.
As you might imagine, it does pretty poorly at first,
Come potete immaginare, le prestazioni iniziali sono mediocri,
but we can compare our model's predictions with the output
ma possiamo paragonare le predizioni del modello con l'output
that it should have produced and adjust the values in w
che dovrebbe aver prodotto e regolare i valori in w e b
and b such that we will have more accurate predictions on the next time around.
per avere predizioni più accurate la volta successiva.
So this process then repeats.
Quindi il processo si ripete.
Each iteration or cycle of updating the weights and biases
Ogni iterazione o ciclo di aggiornamento dei pesi e dei bias
is called one training step.
è chiamato step di addestramento.
So let's look at what that means more concretely
Ora vediamo cosa significa concretamente per il nostro set di dati.
for our dataset. When we first start the training,
All'inizio dell'addestramento,
it's like we drew a random line through the data.
abbiamo tracciato una linea casuale tra i dati.
Then as each step of the training progresses,
Poi, a ogni passo del processo di addestramento,
the line moves step by step closer
la linea si muove, passo dopo passo,
to the ideal separation of the wine and beer.
avvicinandosi alla separazione ideale tra vino e birra.
Once training is complete, it's time
Ad addestramento completato, vediamo se il modello è buono
to see if the model is any good.
usando la valutazione.
Using evaluation, this is where that dataset that we set aside earlier comes into play.
È qui il set di dati messo da parte prima ritorna in gioco.
Evaluation allows us to test our model
La valutazione ci fa testare il modello
against data that has never been used for training.
rispetto a dati mai usati nell'addestramento.
This metric allows us to see how the model might
Questa metrica mostra come il modello
perform against data that it has not yet seen.
reagisce a dati che non ha ancora visto.
This is meant to be representative of how
Questo deve rappresentare
the model might perform in the real world.
come il modello può agire nel mondo reale.
A good rule of thumb I use for a training-evaluation split is
Una buona regola generale che uso per la valutazione di un addestramento
somewhere on the order of 80%-20% or 70%-30%.
è qualcosa di simile a 80%-20% o 70%-30%.
Much of this depends on the size of the original source dataset.
Dipende molto dalla dimensione del set di dati originario.
If you have a lot of data, perhaps you
Se avete molti dati, forse
don't need as big of a fraction for the evaluation dataset.
non vi serve una frazione così grande per la valutazione del set di dati.
Once you've done evaluation, it's
Una volta compiuta la valutazione,
possible that you want to see if you can further improve
forse vorrete vedere se potete migliorare ancora
your training in any way.
il vostro addestramento.
We can do this by tuning some of our parameters.
Possiamo vederlo regolando alcuni parametri.
There were a few that we implicitly
Alcuni erano impliciti durante l'addestramento
assumed when we did our training, and now is a good time to go back and test
e ora è un buon momento per tornare indietro e testarli,
those assumptions, try other values.
provando altri valori.
One example of a parameter we can tune
Un esempio di parametro che possiamo regolare
is how many times we run through the training set
è quante volte analizziamo il set di dati nell'addestramento.
during training. We can actually show the data multiple times.
Possiamo visualizzare i dati molte volte.
So by doing that, we will potentially
Così facendo, potenzialmente,
lead to higher accuracies.
avremo una maggiore accuratezza.
Another parameter is learning rate.
Un altro parametro è il tasso di apprendimento.
This defines how far we shift the line
Definisce quanto lontano spostiamo la linea
during each step based on the information
in ogni step, basandoci sulle informazioni
from the previous training step.
dello step di addestramento precedente.
These values all play a role in how accurate our model can
Tutti questi valori delineano quanto il nostro modello
become and how long the training takes.
può diventare accurato e la durata dell'addestramento.
For more complex models, initial conditions
Per modelli più complessi, le condizioni iniziali
can play a significant role as well in determining
possono avere un ruolo significativo nel determinare
the outcome of training.
il risultato dell'addestramento.
Differences can be seen depending
Eventuali differenze dipendono dalle condizioni iniziali,
on whether a model starts off training with values initialized at zeros versus some distribution
ovvero se i valori sono inizializzati a zero
of the values and what that distribution is.
o se c'è una qualche distribuzione dei valori, nonché dal tipo di distribuzione.
As you can see, there are many considerations
Come vedete ci sono molte considerazioni
at this phase of training, and it's important that you define what makes a model good enough for you.
in questa fase, ed è importante definire cosa sia per voi un buon modello.
Otherwise, we might find ourselves tweaking parameters for a very long time.
Altrimenti, potremmo trovarci a modificare i parametri per molto tempo.
Now, these parameters are typically referred to as hyperparameters.
Di solito, questi parametri sono chiamati iperparametri.
The adjustment or tuning of these hyperparameters
La regolazione o messa a punto degli iperparametri
still remains a bit more of an art than a science,
ad oggi resta più un'arte che una scienza,
and it's an experimental process that
ed è un processo sperimentale
heavily depends on the specifics of your dataset, model,
che dipende molto dalle specifiche del set di dati, dal modello
and training process.
e dal processo di addestramento.
Once you're happy with your training and hyperparameters,
Quando l'addestramento e gli iperparametri vi soddisfano,
guided by the evaluation step, it's
guidati dallo step di valutazione,
finally time to use your model to do something useful.
finalmente è il momento di usare il modello per qualcosa di utile.
Machine learning is using data to answer questions,
Il machine learning usa dati per rispondere a domande,
so prediction or inference is that step where we finally
quindi la predizione, o inferenza, è il passo in cui finalmente
get to answer some questions.
possiamo rispondere ad alcune domande.
This is the point of all of this work where the value of machine learning is realized.
Questo è lo scopo di tutto il lavoro che viene fatto sul machine learning.
We can finally use our model to predict whether a given
Possiamo finalmente usare il modello per predire
drink is wine or beer, given its color and alcohol percentage.
se una bevanda sia vino o birra, dati il colore e la gradazione alcolica.
The power of machine learning is that we
Il potere del machine learning
were able to determine how to differentiate between wine
consiste nell'aver potuto determinare come differenziare vino e birra
and beer using our model rather than using human judgment
usando un modello invece del giudizio umano
and manual rules.
o regole manuali.
You can extrapolate the ideas presented today
Potete estrapolare le idee presentate oggi
to other problem domains as well, where
anche in altri ambiti,
the same principles apply--
in cui si applicano gli stessi principi:
gathering data, preparing that data, choosing a model,
raccogliere dati, prepararli, scegliere un modello,
training it and evaluating it, doing your hyperparameter
addestrarlo e valutarlo, ottimizzare i vostri iperparametri
training, and finally, prediction.
e, alla fine, predire.
If you're looking for more ways to play
Se cercate altri modi per giocare con l'addestramento e i parametri,
with training and parameters, check out
date un'occhiata a TensorFlow Playground.
the TensorFlow Playground. It's a completely browser-based machine learning sandbox,
È uno spazio di machine learning basato su browser
where you can try different parameters
dove potete provare diversi parametri
and run training against mock datasets.
e svolgere addestramenti con set di dati finti.
And don't worry, you can't break the site.
E non preoccupatevi, non potete rompere il sito.
Of course, we will encounter more steps and nuances
Ovviamente, vedremo altri passi e più sfumature
in future episodes, but this serves
nei prossimi episodi, ma questa è una buona base
as a good foundational framework to help us think through the problem, giving us a common language
per pensare al problema, darci un linguaggio comune
to think about each step and go deeper in the future.
per pensare a ogni passo e andare più a fondo in futuro.
Next time on AI Adventures, we'll
Nel prossimo episodio di AI Adventures
build our first real machine learning model, using code--
costruiremo il nostro primo modello di machine learning, con i codici.
no more drawing lines and going over algebra. [MUSIC PLAYING]
Senza più disegnare linee e parlare di algebra.
Similar videos:

What's Machine Learning?
LiveIntent
88 views 1 likes 0 dislikes 23 Mar 201667% match

What is Machine Learning?
Lawrence Livermore National Laboratory
4.7K views 86 likes 4 dislikes 05 Jul 201867% match

What Is Machine Learning?
SAS Software
4.5K views 25 likes 0 dislikes 07 Jul 201567% match

What is Machine Learning?
OxfordSparks
345.3K views 2.2K likes 55 dislikes 11 Jan 201767% match


What is Machine Learning?
Google Cloud Tech
787.2K views 12.8K likes 177 dislikes 24 Aug 201767% match

What is Machine Learning
Udacity
1K views 4 likes 0 dislikes 06 Jun 201667% match

What is Machine Learning?
Code.org
17.7K views 250 likes 11 dislikes 01 Dec 202067% match


What is Machine Learning?
Matthew Voke
57 views 6 likes 0 dislikes 01 Apr 202067% match

What is Machine Learning ?
Cubeware GmbH
6K views 4 likes 0 dislikes 25 Jan 202167% match

Big Data for Training Models in the Cloud (AI Adventures)
Google Cloud Tech
17.7K views 338 likes 8 dislikes 05 Oct 201748% match

Plain and Simple Estimators (AI Adventures)
Google Cloud Tech
119.1K views 1.5K likes 28 dislikes 07 Sep 201740% match

Distributed Training in the Cloud (AI Adventures)
Google Cloud Tech
10.2K views 234 likes 3 dislikes 26 Oct 201740% match

Datalab: Notebook in the Cloud (AI Adventures)
Google Cloud Tech
29.6K views 437 likes 4 dislikes 11 Jan 201837% match

Natural Language Generation at Google Research (AI Adventures)
Google Cloud Tech
72.4K views 1.4K likes 29 dislikes 19 Oct 201737% match

Which Python Package Manager Should You Use? (AI Adventures)
Google Cloud Tech
48.2K views 944 likes 15 dislikes 21 Dec 201736% match

Serverless Predictions at Scale (AI Adventures)
Google Cloud Tech
40.1K views 419 likes 13 dislikes 14 Sep 201735% match

Visualizing Your Model Using TensorBoard (AI Adventures)
Google Cloud Tech
56.1K views 527 likes 25 dislikes 21 Sep 201735% match

Introduction To Google Cloud Machine Learning (Next '17 Rewind)
Google Cloud Tech
11.1K views 125 likes 6 dislikes 02 Jun 201731% match

Estimators Revisited: Deep Neural Networks (AI Adventures)
Google Cloud Tech
21.1K views 241 likes 4 dislikes 28 Sep 201731% match

Introduction to Kaggle Kernels (AI Adventures)
Google Cloud Tech
66.5K views 1.3K likes 19 dislikes 06 Dec 201730% match

Setting up AI Platform Pipelines
Google Cloud Tech
7.2K views 180 likes 4 dislikes 02 Jul 202030% match

Machine Learning Meets Fashion (AI Adventures)
Google Cloud Tech
28.7K views 447 likes 6 dislikes 06 Nov 201729% match

Let’s Write a Pipeline - Machine Learning Recipes #4
Google for Developers
472.3K views 6K likes 99 dislikes 11 May 201628% match

Combining CDN + Load Balancing for Better Performance (Cloud Performance Atlas)
Google Cloud Tech
9.8K views 136 likes 7 dislikes 10 Aug 201728% match

Jupyter Tips and Tricks (AI Adventures)
Google Cloud Tech
80.8K views 1.5K likes 17 dislikes 14 Dec 201727% match

Google Cloud Machine Learning
Google Cloud Tech
18.4K views 231 likes 22 dislikes 02 Nov 201725% match

Customer Successes with Machine Learning (Google Cloud Next '17)
Google Cloud Tech
11.9K views 57 likes 3 dislikes 08 Mar 201725% match

Hexadecimal
CS50
22.4K views 92 likes 2 dislikes 07 Oct 201525% match










Wrangling Data with Pandas (AI Adventures)
Google Cloud Tech
51.1K views 943 likes 13 dislikes 17 Nov 201725% match

Jupyter on the web with Colab
Google Cloud Tech
21K views 594 likes 6 dislikes 29 May 201925% match


Settings Privacy About Contact Donate