Prieš skaitant šį straipsnį, rekomenduojame perskaityti Kas yra Data Science, ką ji daro ir kokiais tikslais
Mašinų mokymosi algoritmu animuota mašina prieš pradedant eksploatuoti patyrė mokymosi etapą, ty mokymąsi, geriau žinomą kaip mokymas. Šiame etape aparatas tiria pateiktus istorinius duomenis.
Prieš pradėdami nagrinėti mašininio mokymosi privalumus ir klasikinio programavimo bei mašininio mokymosi skirtumus, pažiūrėkime pavyzdį, kuris tikrai padės geriau suprasti.
Tarkime, kad perduodame vienai iš savo programų informaciją apie kelionės greitkeliu laiką geriausiomis eismo sąlygomis, kad nurodytume algoritmą, galintį reaguoti į mus taip, lyg tai būtų balso asistentas.
Apie kiekvieną kelią algoritmui pateiksime šią informaciją:
Tada per balso asistentą pasakysime aparatui:
Kadangi duomenis perdavėme per balso asistentą, mūsų programa pateiks tokio tipo lentelę:
Galų gale, jei mūsų mašina būtų animuota pagal mašininio mokymosi algoritmą, ji pasimokytų iš pateiktos informacijos ir taip numatytų rezultatą kelionės laiko forma. Todėl galime užduoti klausimą savo programai: "iš Turino į Milaną su 1000 automobilių ir dyzelinu... kiek tai užtrunka?"
Pavyzdys netikslus, bet gana realus. Tačiau tai padeda apibendrinti mašininio mokymosi tikslą.
Remdamiesi pavyzdžiu, pabandykime pamatyti skirtumą tarp klasikinio programavimo ir mašininio mokymosi.
Tradiciškai programuotojas, rašantis klasikinį kodą, privalo:
Tada žmogaus intelektas panaudojamas rašant programos kodą, kuris gali išspręsti problemą.
Tokiu atveju programuotojas turės galvoti apie gautos informacijos saugojimo ir struktūrizavimo sistemą. Vėliau, kai programos operatorius, parašytas klasikiniu programavimu, užduos klausimą, mašina atsakys pateikdama artimiausią žinomą informaciją, panašesnę į saugomą.
Mašininiame mokyme tai yradirbtinis intelektas programos dalis, galinti ištirti istorinius duomenis, sukurti modelį, kuris bus taikomas problemai išspręsti, ir galiausiai mašina padaro modelį prieinamą programuotojui.
Mašinoje, kuri yra animuota mašininio mokymosi būdu, programa pati išmoksta numatyti kelionės laiką, nes prieš pradedant eksploatuoti mašina buvo atliktas mokymosi etapas. Tada mašina išmoko reaguoti pateikdama protingiausią informaciją, artimiausią realybei, remiantis modelio diktuojama ir interpretuojama logika.
Mašininio mokymosi metu modelis tampa proceso esme. Sukurtas ir išlavintas, jis gali būti prieinamas. Kiekviena nauja užklausa su naujais duomenimis, tokio paties formato, kaip ir naudojami mokymui, duos naują rezultatą.
Duomenų mokslininko vaidmuo šiek tiek keičiasi, tai yra, jis turės lydėti programą iki modelio generavimo, per mokymo etapą. Norėdami tai padaryti, jis pasirūpins strategijų parinkimu, tikslų planavimu, duomenų paruošimu ir visų pirma modelio išbandymu, kad patikrintų jo efektyvumą ir bet kokias tobulinimo galimybes.
Šis procesas gali būti kartojamas, kartojamas kelis kartus, siekiant į kiekvieną iteraciją pridėti patobulintų ir tikrų elementų. Tokiu būdu galite priartėti prie optimalaus tolesnių veiksmų sprendimo, tobulinant mokymą, tobulinant testą, taigi ir mašiną.
Galutinis tikslas visada yra sukurti modelį, kuris žinotų istorinius duomenis, suprastų jų logiką ir modelius, todėl galėtų numatyti būsimų situacijų baigtį.
Ercole Palmeri: Priklauso nuo naujovių
Katanijos poliklinikoje buvo atlikta oftalmoplastikos operacija naudojant „Apple Vision Pro“ reklaminę peržiūrą…
Lavindami smulkiosios motorikos įgūdžius dažydami, vaikai paruošiami sudėtingesniems įgūdžiams, pavyzdžiui, rašymui. Norėdami nuspalvinti…
Karinio jūrų laivyno sektorius yra tikra pasaulinė ekonominė galia, kuri pasiekė 150 mlrd.
Praėjusį pirmadienį „Financial Times“ paskelbė apie susitarimą su „OpenAI“. FT licencijuoja savo pasaulinio lygio žurnalistiką…
