Ως άνθρωποι έχουμε την ικανότητα να μαθαίνουμε για να γινόμαστε καλύτεροι. Αυτό επιδιώκεται μέσω της μάθησης και την εμπειρίας. Όταν γεννιόμαστε δεν γνωρίζουμε να κάνουμε τίποτα, όμως σχεδόν κάθε μέρα μαθαίνουμε όλο και περισσότερα πράγματα τόσο μόνοι μας, όσο και με τη βοήθεια των άλλων. Το ίδιο μπορεί να συμβαίνει και με τις μηχανές ή του υπολογιστές, οι οποίες συγκεντρώνουν αρκετά στοιχεία και δεδομένα ώστε να είναι σε θέση να βγάλουν συμπεράσματα από μόνες τους.
Τι ονομάζουμε Μηχανική Μάθηση (Machine Learning);
Μηχανική Μάθηση ονομάζουμε την διαδικασία με την οποία οι υπολογιστές/μηχανές μπορούν να μαθαίνουν από τα δεδομένα που συλλέγουν, με σκοπό να αναγνωρίζουν μοτίβα ή καταστάσεις και να παίρνουν τις ανάλογες αποφάσεις. Επίσης μπορούμε να διατυπώσουμε και το εξής, ότι οι μηχανικοί αλγόριθμοι “εκπαιδεύονται” μέσω καταστάσεων και παραδειγμάτων, όπου μαθαίνουν και αναλύουν δεδομένα με σκοπό να κάνουν προβλέψεις για το μέλλον. Η Μηχανική Μάθηση είναι μία διαδικασία που δημιουργεί τεχνητή νοημοσύνη (Artificial Intelligence).
Πως λειτουργεί η Μηχανική Μάθηση;
Τροφοδοτούμε τις μηχανές με διάφορα δεδομένα ώστε να τα αναλύσουν, να βγάλουν τα συμπεράσματά τους και ύστερα να κρατήσουν τα δεδομένα αυτά για να βελτιωθούν και να είναι σε θέση να έχουν ολοένα και πιο ακριβή αποτελέσματα κάθε φορά.
Είδη μηχανικής μάθησης
Έχουν αναπτυχθεί πολλές τεχνικές μηχανικής μάθησης που χρησιμοποιούνται ανάλογα με τη φύση του προβλήματος και εμπίπτουν σε ένα από τα παρακάτω δυο είδη:
- μάθηση με επίβλεψη (supervised learning) ή μάθηση με παραδείγματα (learning from examples)
- μάθηση χωρίς επίβλεψη (unsupervised learning) ή μάθηση από παρατήρηση (learning from observation).
Στη μάθηση με επίβλεψη το σύστημα καλείται να “μάθει” μια έννοια ή συνάρτηση από ένα σύνολο δεδομένων, η οποία αποτελεί περιγραφή ενός μοντέλου. Στη μάθηση χωρίς επίβλεψη το σύστημα πρέπει μόνο του να ανακαλύψει συσχετίσεις ή ομάδες σε ένα σύνολο δεδομένων, δημιουργώντας πρότυπα, χωρίς να είναι γνωστό αν υπάρχουν, πόσα και ποια είναι.
Ας δοκιμάσουμε να εκπαιδεύσουμε ένα τέτοιο σύστημα. Μεταβείτε στην σελίδα:
https://hourofcode.com/ai-oceans και κάντε κλικ στο κουμπί «Δοκιμάστε τώρα». Ακολουθήστε τις οδηγίες και εκπαιδεύστε ένα μηχάνημα περισυλλογής απορριμμάτων από την θάλασσα.
Τεχνητή Νοημοσύνη με το Google’s Teachable Machine
Τώρα που καταλάβαμε πως μπορούμε να εκπαιδεύσουμε ένα μηχάνημα για να δούμε πως μπορούμε να χρησιμοποιήσουμε το Machine Learning στην πραγματική ζωή. Το Teachable Machine, της Google, είναι ένας ιστότοπος που επιτρέπει στους ανθρώπους να γνωρίσουν την τεχνητή νοημοσύνη, εκπαιδεύοντας τα δικά τους μοντέλα μηχανικής μάθησης.
Για να εκπαιδεύσουμε την μηχανή θα πρέπει να έχουμε ένα λογαριασμό Google ώστε να συνδεθούμε στην πλατφόρμα. Αφότου συνδεθούμε μας ζητάει να επιλέξουμε μία από τις 3 επιλογές μάθησης:
- με εικόνες
- με ήχους
- με στάσεις σώματος
Ας επιλέξουμε «με εικόνα» και μετά την διάσταση που θα έχουν οι φωτογραφίες για την βάση δεδομένων μας (προτιμούμε το Standard Image Model). Στην επόμενη οθόνη, μας ζητάει να αρχίσουμε την «διδασκαλία» στην μηχανή μας.
Σε κάθε Class μπορούμε να προσθέσουμε φωτογραφίες είτε αν τις έχουμε ήδη, είτε αν θέλουμε να χρησιμοποιήσουμε την κάμερα για να καταγράψουμε τα πρόσωπα ή τα αντικείμενα. Ο ελάχιστος αριθμός εικόνων που θα πρέπει να εισάγουμε για κάθε class είναι τουλάχιστον 80 εικόνες από διαφορετικές γωνίες λήψης. Παρακολουθήστε τα παρακάτω βίντεο για να μάθετε πως να εκπαιδεύετε μία μηχανή!
Εισαγωγή εκπαιδευμένης μηχανής στο Scratch
Μπορούμε μία εκπαιδευμένη μηχανή να την χρησιμοποιήσουμε μαζί με κάποιο άλλο πρόγραμμα? Ναι, μπορούμε!
Το Scratch μας δίνει την δυνατότητα να συνδέσουμε την «εκπαιδευμένη μηχανή» μας με ένα πρόγραμμα που θα κωδικοποιήσουμε με τα αντίστοιχα classes που έχουμε δημιουργήσει. Για να μπορέσουμε όμως να χρησιμοποιήσουμε αυτή τη δυνατότητα θα πρέπει να δουλέψουμε στο Scratch μέσα από την παρακάτω σελίδα:
https://playground.raise.mit.edu/create/
Για να ενεργοποιήσετε το πρόσθετο της μηχανικής μάθησης πηγαίνετε στα πρόσθετα και επιλέξτε το αντίστοιχο.
Παρακολουθήστε το παρακάτω βίντεο για τον τρόπο ενσωμάτωσης στο Scratch
