El aprendizaje automático, como rama de la estadística, parece ser particularmente popular recientemente. Me gustaría preguntar a todos los expertos: ¿qué hace el aprendizaje automático y cuáles son las perspectivas?
Acabo de responder una pregunta similar. Simplemente cítelo directamente.
El aprendizaje automático es ahora una dirección de investigación muy popular. El aprendizaje automático es una disciplina que estudia cómo las computadoras pueden simular el comportamiento de aprendizaje humano y organizar los marcos de conocimiento existentes para mejorarlos continuamente. Es el núcleo de la inteligencia artificial y la forma fundamental de hacer que las computadoras sean inteligentes. ? No es tanto una rama de la estadística sino una rama transversal de la estadística, la informática y la informática. Implica una amplia gama de conocimientos, incluidos conocimientos profesionales en inteligencia industrial, filosofía, teoría de la información, biología, ciencia cognitiva, complejidad computacional y otros campos. Algunos sistemas informáticos existentes no tienen capacidad de aprendizaje (¿o algunos tienen una capacidad de aprendizaje particularmente limitada?), por lo que no pueden satisfacer las necesidades de producción. Con el desarrollo de la ciencia y la tecnología, el aprendizaje automático definitivamente se desarrollará enormemente. Sin embargo, el aprendizaje automático también tiene muchas direcciones de desarrollo, y no todas están desarrolladas.
Adjunto enlace a este artículo:
¿Qué es más prometedor, la minería de datos o el aprendizaje profundo?
Me gustaría agregar los objetivos de investigación del aprendizaje automático:
El modelo cognitivo: el modelo cognitivo de 3M, es un modelo de proceso de cognición humana del mundo real. La cognición es un proceso sistemático que incluye percepción, memoria, juicio y aprendizaje. Por tanto, completar este proceso cognitivo es un proyecto enorme y muy difícil.
Algoritmos de aprendizaje generales: por ejemplo, todos sabemos que el aprendizaje profundo es un algoritmo relativamente profundo en el aprendizaje automático. Muchos algoritmos de ML son en realidad ilógicos. En realidad, se puede decir que el uso de un modelo matemático para obtener una nueva herramienta a partir de los datos de información de entrada es una base de datos de números de identificación artificiales.
El método para construir un sistema de aprendizaje (orientado a tareas); en realidad, ¿cómo aprobar el estudio? El entorno proporciona cierta información para la parte de aprendizaje del sistema.
Eso es todo por ahora. Si tienes tiempo, haz un diagrama para explicar la metodología ML. Creo que la explicación es bastante abstracta. Por favor, perdóname.
El aprendizaje automático es un tema interdisciplinar en muchos campos. Además de las estadísticas más comunes, la teoría de aproximación y la teoría del análisis de la complejidad de los algoritmos, también incluye algunas cuestiones relacionadas con la biología. Por ejemplo, las distintas neuronas y enlaces de la red neuronal artificial más común funcionan imitando el cerebro humano, y el algoritmo genético simula el proceso de mutación genética.
El aprendizaje automático estudia principalmente cómo las computadoras pueden aprender conocimientos modelando o implementando métodos de pensamiento como los humanos, y modificar u optimizar el conocimiento que se ha aprendido a través del mecanismo de retroalimentación de nuevos problemas. Es el núcleo de la inteligencia artificial, lo que significa que la inteligencia artificial depende en gran medida de la calidad y excelencia del aprendizaje automático.
Los métodos de aprendizaje automático y sus efectos son muy importantes para el desarrollo futuro de la humanidad. Si el efecto es alto, al menos puede reemplazar parte del trabajo manual repetitivo y puede implementarse según circunstancias especiales. Por lo tanto, las perspectivas siguen siendo muy buenas, especialmente en esta era de big data, donde cada vez se registran más datos relacionados con el comportamiento humano, lo que proporciona contenido básico para el aprendizaje automático. Además, algunos resultados del aprendizaje automático se han aplicado en muchos campos, incluida la minería de datos, el procesamiento del lenguaje natural, etc.
Aunque el aprendizaje automático ha logrado algunos avances, aún no ha alcanzado el nivel de la inteligencia artificial, por lo que todavía quedan muchos problemas que deben investigarse y desarrollarse. Por tanto, el desarrollo futuro también está lleno de oportunidades y desafíos. El aprendizaje automático es un gran campo. Si desea profundizar en él, se recomienda aprender más ideas y programación básicas.
El aprendizaje automático es cada vez más popular. Las matemáticas y los algoritmos no necesitan ser sofisticados y la mayoría de los algoritmos generales están fácilmente disponibles. Por ejemplo, la plataforma Microsoft Azure Machine Learning tiene muchos ejemplos empaquetados, como el que se utiliza para analizar la pérdida de clientes. En cuanto a la operacionalización (no sé cómo traducirlo), ahora no es tan difícil.
Creo que si solo aplicamos el aprendizaje automático para abordar problemas de la vida real, lo más difícil es cómo conectar los algoritmos generales con los problemas de la vida real de nuestra empresa, como cómo determinar las características, qué modelo utilizar y cómo evaluar el efecto final. Es difícil obtener una comprensión profunda del negocio real de una empresa en comparación con la tecnología y los algoritmos.
Personalmente, creo que la tendencia es que a medida que las plataformas de aprendizaje automático maduren y los algoritmos se vuelvan más populares en escenarios generales, el título de científico de datos se volverá gradualmente civil o incluso desaparecerá. Al final fue tan sencillo como utilizar Excel para procesar algunos datos.
Un PM o gerente de ventas no necesita un puesto especial, puede hacerlo solo.
Existe una gran demanda de aplicaciones de aprendizaje automático en la industria. Las personas con experiencia laboral pueden encontrar trabajo fácilmente. La oferta es mucho menor que la demanda, pero la demanda está creciendo.
Sin embargo, la contratación de nuevos graduados (se pueden considerar doctores) es relativamente rara. Hay muchas razones. En pocas palabras, los nuevos graduados a menudo carecen de experiencia en ingeniería y capacidad académica. La situación actual de la industria no es complicada: las grandes empresas se dedican al aprendizaje automático, tienen grandes grupos, muchas personas y altos requisitos, y un doctorado es la barrera de entrada para las pequeñas empresas, y todos deben ser independientes, por lo que; debe tener experiencia en la construcción de sistemas reales de aprendizaje automático. Por tanto, si ninguna de las partes tiene ventajas, naturalmente será más difícil encontrar trabajo.
Entonces, para los estudiantes interesados en esta dirección, se recomienda ajustar su mentalidad al buscar trabajo e intentar encontrar un grupo cuyas responsabilidades laborales estén relacionadas con el aprendizaje automático en su primer trabajo. No es necesario seguirlo paso a paso. La carrera de la vida es larga. Haga un plan de carrera de 3 a 5 años, acumule experiencia laboral práctica y continúe aprendiendo y fortaleciéndose. Las diferencias entre las personas no se reflejarán en el primer empleo, sino que se irán haciendo evidentes en los primeros años.
El desarrollo inicial del aprendizaje automático siguió el camino áspero y rápido del pragmatismo. El paso básico es construir intuitivamente un objetivo de optimización y luego resolver el problema de optimización. Básicamente son suficientes herramientas matemáticas como el álgebra lineal y la optimización convexa. Además, implica teoría de juegos, procesos estocásticos, ecuaciones diferenciales, teoría de medidas, análisis real, análisis funcional, grupos de Lie, etc.
Esta disciplina se está desarrollando rápidamente y la teoría hace tiempo que no puede seguir el ritmo de la práctica. El actual impulso de desarrollo ha llegado a una etapa en la que las matemáticas de ingeniería no son suficientes. Es muy necesario que un grupo de gigantes matemáticos supere los obstáculos. Mucha gente en esta área piensa que demasiadas matemáticas son innecesarias, pero en realidad es porque estas personas son buenas en matemáticas. He visto geometría algebraica utilizada para resolver problemas con modelos singulares maravillosamente (voladura). Es una pena que pocos sigan. En resumen, muchos problemas han llegado al punto en que es necesario introducir herramientas matemáticas avanzadas para resolverlos maravillosamente. Por ejemplo, la invariancia y la equivalencia requieren geometría riemanniana, y los problemas singulares mal planteados requieren geometría algebraica.
El resultado final es: estudiemos bien las matemáticas. . . . . .
Mencione varias posibles direcciones de desarrollo del aprendizaje profundo en el aprendizaje automático, que también son problemas que deben resolverse:
1. Deje que el aprendizaje profundo ajuste automáticamente los parámetros.
Recientemente, vi a alguien en un grupo de IA promocionando su artículo "Redes Q profundas para acelerar el entrenamiento de redes neuronales profundas", que entrena aproximadamente a un controlador a través del aprendizaje por refuerzo para controlar automáticamente un lote de La tasa de aprendizaje y proporción muestral de cada clase en . Aunque su papel tiene muchos problemas, el controlador capacitado es extremadamente versátil y solo puede usarse para su tarea original, pero parece fácil de resolver. Imagínese si pudiéramos entrenar un controlador universal que pueda ajustar automáticamente los parámetros para diversas tareas (o ser general solo en un subcampo determinado, como la clasificación de imágenes), entonces ya no necesitaríamos llamarnos perros de ajuste de parámetros y, al mismo tiempo, Tiempo que podemos liberar Con más tiempo dedicado a diseñar modelos y verificar arquitecturas, el ritmo de desarrollo del aprendizaje profundo se acelerará enormemente.
2. Aprender automáticamente la arquitectura de red.
De hecho, este problema también se puede clasificar como ajuste automático de parámetros, pero la sensación debería ser muy diferente. No son más que dos aspectos, uno es la suma y el otro es la resta. Además, puede consultar "Net2net: Acelerar el aprendizaje a través de la transferencia de conocimiento", que permite a CNN expandir automáticamente la arquitectura según sea necesario, incluida la adición de filtros horizontales y capas verticales. Para la resta, puede consultar la llamada poda de red en varios artículos sobre compresión de red, como la compresión profunda: red neuronal profunda comprimida con poda. "Cuantización entrenada y codificación Huffman", aunque el punto de partida de estos artículos no es aprender automáticamente la arquitectura de la red sino comprimir el tamaño de la red, y tienden a cortar la red después de que el entrenamiento converge en lugar de cortar durante el entrenamiento, pero se siente Como si solo se necesita un paso más. Personalmente, creo que las preguntas más fundamentales que deben resolverse en la arquitectura de red de aprendizaje automático son "¿cuándo se debe cambiar la arquitectura" y "¿cómo se debe cambiar?". Respondido por el artículo anterior, pero parece que hay muchas respuestas sobre el lugar a explorar sobre la primera pregunta. Para el primer problema, parece que el aprendizaje por refuerzo es muy adecuado para resolverlo, porque obviamente se puede considerar como tal. un problema de control.
3.
Como todos sabemos, el entrenamiento directo del aprendizaje profundo se basa en una gran cantidad de datos, y la transferencia y el ajuste pueden utilizar de manera efectiva funciones entrenadas a partir de tareas externas con una gran cantidad de datos para transferirlas a tareas de destino con un pequeña cantidad de datos Los requisitos de datos para las tareas de destino se reducen considerablemente. El problema ahora es que todo el mundo está utilizando la idea del aprendizaje por transferencia. Finetune se puede ver en muchos artículos, pero no existe una buena respuesta al problema de requerir que se pasen "múltiples espejos" entre dos tareas. Incluso si no esperamos dar una teoría matemática estricta, al menos si alguien puede hacer un experimento comparativo muy sistemático y resumir algunas reglas, dándonos confianza de que las tareas dentro de ese límite son básicamente transferibles, esto será una gran mejora. Este problema también se puede ver de esta manera. Ahora debemos estar seguros de que las dos tareas de clasificación de imágenes son transferibles, pero los límites son demasiado estrechos. Mi expectativa personal es que podamos tener una teoría o metodología que amplíe enormemente este límite y luego, dentro de este límite, podamos utilizar el aprendizaje por transferencia con tanta confianza como las dos tareas de clasificación de imágenes.
4. Aprendizaje no supervisado/semisupervisado.
De hecho, magnates como Le Cun han estado defendiendo este aspecto, pero no parece haber grandes novedades como CNN (AlexNet) y el reciente aprendizaje por refuerzo (Alpha Dog). Entiendo que la dirección de los esfuerzos en este tema debería ser determinar "qué tipo de representación es más útil". Específicamente, se trata de encontrar un indicador y luego utilizar una red profunda para optimizar este indicador, de modo que la representación de datos que cumpla con este indicador pueda tener muy buenas características. Más específicamente, aquí hay tres ejemplos prácticos:
Autoencoder utiliza la pérdida de reconstrucción como métrica para aprender presentaciones.
Antes de escuchar una conferencia, el orador presentó su artículo "Why Deep Learning Works: A Manifold Disentanglement Perspective" IEEE Xplore Abstract, que definió tres indicadores para describir cada aspecto de las redes profundas. la representación de datos en la capa Se descubre que cuanto más alta es la capa, menos curvados son los datos, en otras palabras, más planos son. Entonces, ¿puede el aprendizaje no supervisado utilizar directamente este curl como función de pérdida para aprender una presentación?
Este artículo "Codificador de contexto: aprendizaje de características a través de la pintura" propone el aprendizaje no supervisado de características visuales mediante la predicción de los píxeles de contexto circundantes, lo que se siente como si word2vec cambiara de una dimensión a dos dimensiones.
Además de la pérdida de reconstrucción, la curvatura y la precisión del contexto de predicción mencionadas anteriormente, ¿existen otras métricas que puedan usarse para aprender mejores representaciones? Personalmente, creo que estas cuestiones son la clave para promover el progreso del aprendizaje no supervisado/semisupervisado.
5. Modelo basado en memoria externa.
Si modelos como RNN y LSTM pertenecen a la memoria interna/memoria a largo plazo, entonces los modelos representados por máquinas neuronales de Turing y redes de memoria deberían llamarse memoria externa/memoria verdadera a largo plazo. Sin embargo, estos dos modelos eran demasiado ingenuos cuando aparecieron por primera vez y solo podían realizar algunas tareas aburridas, como la clasificación de copias de secuencias y un control de calidad muy simple. Sin embargo, ahora han comenzado a usarse en problemas más prácticos, como el uso de la memoria. mejorar las redes neuronales. Para decirlo sin rodeos, si queremos lograr una IA potente en el futuro, este mecanismo de almacenamiento externo es definitivamente indispensable. Ahora el problema es que aunque el almacenamiento externo utilizado por las máquinas neuronales de Turing y las redes de memoria va más allá de un simple vector de estado oculto como LSTM, en realidad es una matriz muy simple sin ninguna estructura ni jerarquía. En otras palabras, no es lo suficientemente compleja. . Entonces, supongo que tal vez el almacenamiento externo se combine con el gráfico de conocimiento o al menos se acerque a un enfoque similar al gráfico de conocimiento, porque el gráfico de conocimiento está más estructurado.
Ejem, de paso, entra y ponte unos disfraces. Ahora soy estudiante de tercer año en la universidad, por lo que puede que no tenga mucho que decir sobre este tema, pero como he estado trabajando en un proyecto con mi maestro recientemente, me gustaría compartir mis sentimientos sobre este aspecto.
En primer lugar, el aprendizaje automático tiene grandes perspectivas. Es cierto. He leído muchos artículos recientemente. En cuanto a la minería y el análisis de datos, el 80% o el 90% es aprendizaje automático, que también puede ser la mayor demanda para el desarrollo de la inteligencia artificial. La inteligencia artificial no es más que imitar a los humanos, y los humanos están llenos de ignorancia sobre el mundo al principio y gradualmente lo comprenden a través del aprendizaje. Personalmente, creo que esta es la razón por la que se propuso el aprendizaje automático. Por ejemplo, para realizar verdaderamente la inteligencia artificial, debemos imitar a los humanos desde la raíz, lo que significa comenzar por aprender esta habilidad.
Habiendo dicho todo esto, lo que quiero decir es por qué las perspectivas son buenas. Por un lado, el propósito y la visión mencionados anteriormente son buenos, por otro lado, porque todavía hay relativamente pocos talentos en este campo. De hecho, esta también es una perspectiva de desarrollo. Al igual que cuando las computadoras se hicieron populares hace unos años, las primeras personas que entraron en contacto con las computadoras de repente se hicieron famosas, y luego una gran cantidad de personas de la sociedad se volcaron en este campo. Esta es una verdad. El aprendizaje automático está todavía en su infancia, y su desarrollo en la siguiente fase depende de la seriedad y seriedad con que lo tome la gente. En lo que respecta a la inteligencia artificial, todavía debería haber un futuro brillante. Quizás se convierta en otra nueva era después de la era de las computadoras.
Las opiniones anteriores son sólo opiniones personales. Siento que esta dirección de investigación se pondrá cada vez más caliente, al menos a corto plazo. Al igual que el big data, algunas personas siguen cuestionando el desarrollo del big data, pero todavía se está desarrollando muy bien, ¿verdad?
-
El camino hacia el aprendizaje automático en 2016: dominar el aprendizaje automático desde cero en un año.
Traductor: Wen Fei
Hoy es diciembre de 2016, Conferencia Mundial de Inteligencia Artificial AI WORLD 2016. La cuenta regresiva es de 36 días, el período de vuelo tiene un 50 % de descuento y hay 7 días para conseguir boletos.
El instructor programador Per Harald Borgen publicó un artículo en Medium en el que presenta su recorrido desde los inicios hasta el dominio del aprendizaje automático en un año. Bogen dijo que no se necesita un doctorado ni habilidades matemáticas avanzadas para dominar el aprendizaje automático. Estoy seguro de que esto resultará muy atractivo e inspirador para mucha gente. Sin embargo, es posible que un doctorado no sea realmente necesario, pero para dominar el aprendizaje automático no se pueden aprender demasiadas matemáticas. Echemos un vistazo a la historia de Bogen: no trabajó a tiempo completo, se convirtió en novato y mejoró su desempeño.
Paso uno: Hacker News y Udactiy
El interés de Borgen por el aprendizaje automático comenzó en 2014. Como muchas personas, vio por primera vez una publicación de Hacker News y simplemente pensó que sería genial enseñar algo a las computadoras. En ese momento, él era solo un entusiasta aficionado a la codificación, ni siquiera un programador.
Entonces, Bogan comenzó su viaje de aprendizaje automático. Primero mire el video de aprendizaje supervisado en Uadcity y luego lea todos los libros relacionados con el aprendizaje automático que pueda encontrar.
Bogen concluyó: "Me dio un poco de comprensión conceptual, pero no habilidades prácticas".
Al mismo tiempo, admitió que no había completado "Ouda City's". Cursos masivos abiertos en línea": siempre que sea un gran curso abierto en línea, casi nunca lo ha completado. De todos modos, esto al menos aumenta la credibilidad del artículo.
Paso 2: Realiza el curso de aprendizaje automático de Coursera.
A principios de 2015, Borgen participó en el Founders and Programmers Camp (FAC) en Londres para convertirse en desarrollador oficial. En FAC, él y sus compañeros ven los videos de los cursos de aprendizaje automático de Coursera todos los martes por la noche.
No hace falta decir que la famosa clase de aprendizaje automático de Andrew Ng. Bogan dijo que el curso fue fantástico y que aprendió mucho, pero personalmente consideró que el curso no era adecuado para principiantes. Al menos para él, necesitaba ver el vídeo una y otra vez para comprender los conceptos mencionados en él; por supuesto, esta es la experiencia personal de Bogan. Sin embargo, los compañeros de Bogen que estudiaban en la FAC también se quedaron atrás uno por uno y, finalmente, él mismo murió.
Borgen concluyó que en lugar de crear algoritmos desde cero, debería haber tomado un curso de codificación con bibliotecas de aprendizaje automático. Al menos debería haber escrito los algoritmos en un lenguaje de programación que ya conocía.
En resumen, "Es muy difícil para los principiantes escribir el código de los algoritmos de aprendizaje automático mientras aprenden el idioma". Esta frase tiene cierto valor de referencia.
La sugerencia de Borgen es elegir la Introducción al aprendizaje automático de Udacity, que es más fácil de comenzar y se puede practicar tan pronto como te levantes. En el proceso de mejorar el valor de su experiencia, también aumentará su interés en aprender.
La experiencia comienza con un aprendizaje práctico simple, y luego aprende cosas más difíciles y teóricas.
Paso 3: Aprenda el aprendizaje automático en una semana.
Lo último que hizo Borgen en la FAC fue "Aprender aprendizaje automático en una semana". Su objetivo era poder resolver un problema real con aprendizaje automático en una semana y lo ha logrado con éxito.
Bogan escribió sobre la experiencia específica en otro artículo.
Si estás interesado en saber más, puedes visitar:
En resumen, en una semana, Bogan hizo lo siguiente:
Aprende Scikit Learning
En real life Una máquina de aprendizaje automático se está ejecutando en la base de datos del mundo.
Un algoritmo de regresión lineal está escrito desde cero (en Python).
Procesé un poco el lenguaje natural
Experimente dediqué una semana a sumergirme en el aprendizaje automático y los resultados fueron sorprendentes.
Paso 4: Suspender la red neuronal.
Ganar con éxito en aprendizaje automático en una semana le dio confianza a Bogan. Entonces, cuando regresó a Noruega después de la FAC, planeó asumir un segundo desafío: aprender redes neuronales en una semana.
Sin embargo, el hecho es cruel. Sin un entorno de aprendizaje inmersivo como FAC, no es fácil escribir código durante 10 horas al día.
Aprende a encontrar un entorno adecuado para hacer este tipo de cosas.
Sin embargo, Bogan estudió las redes neuronales después de todo. En julio del año pasado, terminó de escribir un código de red. Es difícil, pero es mejor hacerlo que perfecto, ¿verdad?
En la segunda mitad del año, Borgen cambió a un nuevo trabajo, lo que afectó en cierta medida su progreso en el aprendizaje automático. En esta etapa lo que hace principalmente es implementar redes neuronales. Repasó el álgebra lineal que había aprendido en la universidad. A finales de año, Bogan escribió un resumen:
Aprenda a codificar redes neuronales.
También en este artículo, Borgen registra el proceso de escritura de código desde cero. Este artículo tiene casi 600 me gusta en Medium.
Paso 4: Practica en la competencia Kaggle
En la Navidad de 2015, Bogan participó en la competencia Kaggle. Por supuesto, el efecto de la práctica es significativo. Adquirió experiencia en la iteración de experimentos con algoritmos y datos, y también aprendió a confiar en su propia lógica cuando trabajaba en proyectos de aprendizaje automático. "Si el ajuste de parámetros o la ingeniería de funciones son lógicamente útiles, normalmente lo son".
Paso 5: Establezca hábitos de aprendizaje en el trabajo.
A principios de 2016, Bogan quería trasladar al trabajo el impulso que había adquirido al final del año anterior, por lo que le preguntó a su gerente si podía aprender cosas nuevas en el trabajo, y el gerente estuvo de acuerdo. . Aunque Bogan no escribió mucho en el artículo, en realidad podría aprender algo de esta experiencia:
Si tienes el coraje de preguntar por tus necesidades, tienes la oportunidad de ser satisfechas; por supuesto, tú Las necesidades deben ser razonables.
Así que Borgen también puede aprender el aprendizaje automático en el trabajo (¡recibe un pago por hacer lo que quieras!). Después de acumular experiencia relevante en 2016, la primera parada de Borgen fue el curso de aprendizaje profundo de Uadcity. Sin embargo, resulta que el rumbo de Udacity es demasiado superficial para él ahora. Sin embargo, la tarea del cuaderno Ipython después de clase es demasiado difícil. La depuración arruinó gran parte de su interés. Una vez más abandonó los cursos masivos abiertos en línea.
Pero entonces Bogan descubrió el CS224D de Stanford, un curso que le benefició mucho. Borgen resumió los beneficios de Stanford CS224D:
Aunque es difícil, nunca hay preguntas de depuración;
Este curso proporciona respuestas para ayudar a profundizar la comprensión.
Aunque Borgen aún no ha completado el curso, recomienda que cualquier persona interesada lo realice.
Además, mientras estudiaba este curso, Bogan contrató a un tutor con un salario de 40 dólares la hora para completar la materia. Este mentor le ayudó a descubrir muchos problemas. Entonces, tuvo esta experiencia.
Definitivamente vale la pena gastar $50 por hora para contratar a un tutor de aprendizaje automático. Si tiene experiencia en aprendizaje automático, puede obtener una oferta de trabajo que pague 50 dólares la hora. )
Pon en práctica lo aprendido y aumenta las ventas.
Borgen practicó el aprendizaje automático en el trabajo. Creó un sistema que ahorró mucho tiempo a los colegas del departamento de ventas de la empresa. Código relacionado:
Lo anterior es el curso de un año de Borgen para dominar el aprendizaje automático en el trabajo práctico. Lo sientas o no, al menos es real. Bogan escribió al final del artículo: "Si yo puedo hacerlo, tú también puedes".
Especialmente para los programadores en el trabajo, ¿no quieres intentarlo?