Pirms šī raksta lasīšanas mēs iesakām to izlasīt Kas ir Data Science, ko tā dara un ar kādiem mērķiem
Mašīnmācīšanās algoritma animētajai mašīnai pirms nodošanas ekspluatācijā tika veikts mācīšanās posms, tas ir, mācīšanās, labāk pazīstama kā apmācība. Šajā fāzē iekārta pēta pieejamos vēsturiskos datus.
Pirms iedziļināties mašīnmācības priekšrocībās un atšķirībās starp klasisko programmēšanu un mašīnmācīšanos, apskatīsim piemēru, kas noteikti palīdzēs mums labāk izprast.
Pieņemsim, ka mēs kādai no savām programmām nosūtām informāciju par braukšanas laiku pa automaģistrāli vislabākajos satiksmes apstākļos, lai norādītu algoritmu, kas spēj atbildēt uz mums tā, it kā tas būtu balss palīgs.
Par katru ceļu mēs nosūtīsim algoritmam šādu informāciju:
Pēc tam, izmantojot balss palīgu, mēs paziņosim iekārtai:
Tā kā mēs esam paziņojuši datus, izmantojot balss asistentu, mūsu programma ievadīs šāda veida tabulu:
Galu galā, ja mūsu mašīnu animētu mašīnmācīšanās algoritms, tā būs mācījusies no sniegtās informācijas un tādējādi prognozēs rezultātu ceļojuma laika veidā. Tāpēc mēs varam uzdot jautājumu mūsu programmai: "no Turīnas līdz Milānai ar 1000 automašīnām un dīzeli ... cik ilgi tas aizņem?"
Piemērs ir neprecīzs, bet diezgan reālistisks. Tomēr tas palīdz apkopot mašīnmācīšanās mērķi.
Ņemot piemēru no piemēra, mēģināsim redzēt atšķirību starp klasisko programmēšanu un mašīnmācīšanos.
Tradicionāli programmētājam, kurš raksta klasisko kodu, ir:
Tad cilvēka intelekts tiek izmantots, lai uzrakstītu programmas kodu, kas var atrisināt problēmu.
Šajā gadījumā programmētājam būs jādomā par saņemtās informācijas glabāšanas un strukturēšanas sistēmu. Pēc tam, kad lietojumprogrammas operators, kas rakstīts ar klasisko programmēšanu, uzdod jautājumu, iekārta atbildēs ar tuvāko zināmo informāciju, kas ir vairāk līdzīga saglabātajai.
Mašīnmācībā tas irmākslīgais intelekts Programma spēj izpētīt vēsturiskos datus, izveidot modeli, kas jāpiemēro problēmas risināšanai, un, visbeidzot, iekārta padara modeli pieejamu programmētājam.
Mašīnā, ko animē mašīnmācīšanās, programma pati mācās prognozēt brauciena laiku, jo pirms servisa uzsākšanas mašīna ir izgājusi mācīšanās fāzi. Tad mašīna ir iemācījusies atbildēt ar vissaprātīgāko informāciju, kas ir vistuvāk realitātei, balstoties uz modeļa diktēto un interpretēto loģiku.
Mašīnmācībā modelis kļūst par procesa centru. Kad tas ir izveidots un izglītots, tas var būt pieejams. Katrs jauns vaicājums ar jauniem datiem, kuru formāts ir tāds pats kā apmācībā izmantotajiem, radīs jaunu rezultātu.
Datu zinātnieka loma nedaudz mainās, tas ir, viņam būs jāpavada programma līdz modeļa ģenerēšanai, izmantojot apmācības posmu. Lai to izdarītu, viņš parūpēsies par stratēģiju izvēli, plānošanas mērķiem, datu sagatavošanu un galvenokārt modeļa pārbaudi, lai pārliecinātos par tā efektivitāti, kā arī par jebkādām uzlabošanas iespējām.
Šo procesu var atkārtot, atkārtot vairākas reizes, lai katrai iterācijai pievienotu uzlabotus un reālus elementus. Tādā veidā jūs varat pietuvoties optimālajam risinājumam turpmākajām darbībām, uzlabojot apmācību, uzlabojot testu un līdz ar to arī mašīnu.
Galīgais mērķis vienmēr ir izveidot modeli, kas zina vēsturiskos datus, izprot to loģiku un modeļus un tādējādi spēj paredzēt nākotnes situāciju iznākumu.
Ercole Palmeri: Atkarīgi no inovācijām
Katānijas poliklīnikā tika veikta oftalmoplastikas operācija, izmantojot Apple Vision Pro komerciālo skatītāju…
Smalko motoriku attīstīšana, izmantojot krāsošanu, sagatavo bērnus sarežģītākām prasmēm, piemēram, rakstīšanai. Lai krāsotu…
Jūras flotes nozare ir patiess globāls ekonomikas spēks, kas ir virzījies uz 150 miljardu tirgu...
Pagājušajā pirmdienā Financial Times paziņoja par darījumu ar OpenAI. FT licencē savu pasaules līmeņa žurnālistiku…