ivodopyanov

Искусственный интеллект — название всей области, как биология или химия.

Машинное обучение — это раздел искусственного интеллекта. Важный, но не единственный.

Нейросети — один из видов машинного обучения. Популярный, но есть и другие, не хуже.

Глубокое обучение — архитектура нейросетей, один из подходов к их построению и обучению. На практике сегодня мало кто отличает, где глубокие нейросети, а где не очень. Говорят название конкретной сети и всё.

источник

python
1) лёгкий в освоении
2) быстрый старт
3) куча библиотек с этим связанных
4) куча источников, откуда можно черпать информацию по этому поводу + примеров уйма

Keras Examples. Внутри много хороших примеров на популярных наборах данных. Изучайте, анализируйте, применяйте.

Добрый день, если Ваш новый сервис не будет предусматривать раскрытия каких-либо персональных данных, данных, относящихся к коммерческой тайне или нарушения чьих-либо авторских прав, то вполне себе можно. Сбор таких данных скриптами вполне приравнивается к обычному сёрфингу, а их использование регламентируется стандартными положениями (лицензия, авторское право, перс. данные). В РФ пока никто не додумался лицензировать или запрещать продукты машинного обучения, которые были получены в результате анализа данных конкурентов. Но вчера слышал что в Голландии такой запрет есть, в США нет. Так что, если подумаете над выходом на межд. рынок внимательно проанализируйте законодательство.

Есть 2 случая:
1. В реальном мире, как и в выборке есть "перекос" распределения по классам, то есть какие-то объекты встречаются заведомо реже
2. В реальном мире "перекоса" нет.

В первом случае, лучше сохранить "перекос", в втором сгенерировать больше данных

Признаки (фичи) данных нужно представлять правильно. Математика сетей такова, что если Вы представляете признак числом, то наблюдения со значениями признака 5 и 4 будут "ближе", чем, например, 5 и 100. Но если признак — это идентификатор группы (т.н. категориальный признак) пользователя, то их числовая близость ничего не значит.

Аналогично с выходом. Если предсказывать одно число, то это эквивалентно предположению, что предсказать 21 вместо 20 не так страшно, как выдать 1000. Опять же, для категориальных признаков это неправда.

Итого, если вход состоит из 20 категориальных признаков, то каждый признак нужно заменить на множество новых, получаемых one-hot-кодированием (так же известным как dummy variables): для каждого значения такого признака создаётся новый признак-индикатор, равный 1 только если соответствующий признак данного наблюдения равен соответствующему значению.

Аналогично с выходом.