Πώς χρησιμοποιούν οι επαγγελματίες μάθησης μηχανών δομημένη πρόβλεψη; eval (ez_write_tag ([[320,50], techopedia_com-under_page_title, ezslot_8,242,0,0])).

Περιεχόμενο

• Ερ:
• ΕΝΑ:

Ερ:

Πώς χρησιμοποιούν οι επαγγελματίες μάθησης μηχανών δομημένη πρόβλεψη;

ΕΝΑ:

Οι επαγγελματίες της μάθησης μηχανών χρησιμοποιούν δομημένη πρόβλεψη σε πλήθος τρόπων, συνήθως εφαρμόζοντας κάποια μορφή τεχνικής μάθησης μηχανής σε έναν συγκεκριμένο στόχο ή πρόβλημα που μπορεί να ωφεληθεί από ένα πιο διατεταγμένο σημείο εκκίνησης για την προβλεπτική ανάλυση.

Ένας τεχνικός ορισμός της δομημένης πρόβλεψης περιλαμβάνει "την πρόβλεψη δομημένων αντικειμένων και όχι διακριτών διακριτών ή πραγματικών τιμών".

Ένας άλλος τρόπος να πούμε είναι ότι αντί να μετράμε απλώς μεμονωμένες μεταβλητές σε κενό, οι δομημένες προβλέψεις λειτουργούν από ένα μοντέλο μιας συγκεκριμένης δομής και χρησιμοποιούν αυτό ως βάση για μάθηση και πρόβλεψη. (Διαβάστε πώς μπορεί να βοηθήσει η AI στην πρόγνωση της προσωπικότητας;)

Οι τεχνικές για τη δομημένη πρόβλεψη είναι ευρέως μεταβλητές - από τις Bayesian τεχνικές έως τον επαγωγικό λογικό προγραμματισμό, τα λογικά δίκτυα Markov και τις δομημένες μηχανές φορέα υποστήριξης ή τους πλησιέστερους αλγορίθμους των γειτόνων, οι επαγγελματίες της μηχανικής μάθησης έχουν ένα ευρύ εργαλείο στη διάθεσή τους για να εφαρμόσουν σε προβλήματα δεδομένων.

Αυτό που είναι κοινό σε αυτές τις ιδέες είναι η χρήση κάποιας υποκείμενης δομής που η εργασία της μηχανής μάθησης βασίζεται εγγενώς.

Οι εμπειρογνώμονες συχνά δίνουν την ιδέα της επεξεργασίας φυσικής γλώσσας, όπου τμήματα του λόγου φέρουν ετικέτα για να αντιπροσωπεύουν στοιχεία μιας δομής - άλλα παραδείγματα περιλαμβάνουν την οπτική αναγνώριση χαρακτήρων, όπου ένα πρόγραμμα εκμάθησης μηχανής αναγνωρίζει χειρόγραφες λέξεις με την ανάλυση τμημάτων μιας δεδομένης εισόδου ή περίπλοκη επεξεργασία εικόνας , όπου οι υπολογιστές μαθαίνουν να αναγνωρίζουν αντικείμενα που βασίζονται σε κατακερματισμένη είσοδο, για παράδειγμα, με συνελικτικό νευρικό δίκτυο αποτελούμενο από πολλά "στρώματα".

Οι εμπειρογνώμονες θα μπορούσαν να μιλήσουν για τη γραμμική ταξινόμηση πολλαπλών κλάσεων, τις λειτουργίες γραμμικής συμβατότητας και άλλες τεχνικές βάσης για τη δημιουργία δομημένων προβλέψεων. Σε μια πολύ γενική έννοια, οι δομημένες προβλέψεις βασίζονται σε ένα διαφορετικό μοντέλο από το ευρύτερο πεδίο της εποπτευόμενης μηχανικής μάθησης - να επιστρέψουμε στο παράδειγμα των δομημένων προβλέψεων στην επεξεργασία της φυσικής γλώσσας και να επισημάνουμε φωνήματα ή λέξεις, βλέπουμε ότι η χρήση της σήμανσης για η εποπτευόμενη μηχανική μάθηση είναι προσανατολισμένη προς το ίδιο το δομικό μοντέλο - το σημαντικό που παρέχεται, ίσως σε σετ δοκιμών και στα σύνολα εκπαίδευσης.

Στη συνέχεια, όταν το πρόγραμμα εκμάθησης μηχανών αφήνεται χαλαρά για να κάνει τη δουλειά του, το ίδρυμα του βασίζεται στο δομικό μοντέλο. Αυτό, εξηγούν οι ειδικοί, εξηγεί μερικούς από τους τρόπους με τους οποίους το πρόγραμμα κατανοεί πώς να χρησιμοποιεί τμήματα λόγου όπως ρήματα, επίρρημα, επίθετα και ουσιαστικά, αντί να τα συγχέει με άλλα μέρη του λόγου ή να μην είναι σε θέση να διακρίνει τον τρόπο λειτουργίας τους . (Διαβάστε πώς είναι δομημένα τα δεδομένα σας; Εξετάζοντας δομημένα, μη δομημένα και ημι-δομημένα δεδομένα.)

Το πεδίο της δομημένης πρόβλεψης παραμένει βασικό μέρος της μηχανικής μάθησης καθώς εξελίσσονται διάφοροι τύποι μηχανικής μάθησης και τεχνητής νοημοσύνης.