Før du leser denne artikkelen anbefaler vi at du leser Hva er Data Science, hva den gjør og med hvilke mål
En maskin animert av en maskinlæringsalgoritme, før den ble tatt i bruk, gjennomgikk en læringsfase, det vil si læring, bedre kjent som trening. I denne fasen studerer maskinen de historiske dataene som er gjort tilgjengelig.
Før vi går inn på fordelene ved maskinlæring, og forskjellene mellom klassisk programmering og maskinlæring, la oss se et eksempel som helt sikkert vil hjelpe oss å forstå bedre.
Anta at vi kommuniserer til et av programmene våre informasjon om reisetider på motorveien i de beste trafikkforholdene, for å instruere en algoritme som er i stand til å svare oss som om den var en stemmeassistent.
For hver vei vil vi kommunisere følgende informasjon til algoritmen:
Deretter går vi gjennom stemmeassistenten for å fortelle maskinen:
Ettersom vi har kommunisert dataene via stemmeassistent, vil programmet vårt mate en tabell av denne typen:
Hvis maskinen vår til slutt ble animert av en maskinlæringsalgoritme, vil den ha lært av informasjonen som er gitt, og dermed forutsi et resultat i form av reisetid. Vi kan derfor stille et spørsmål til programmet vårt: "fra Torino til Milano med 1000 biler og diesel ... hvor lang tid tar det?"
Eksemplet er unøyaktig, men ganske realistisk. Det hjelper imidlertid å oppsummere formålet med maskinlæring.
Med utgangspunkt i eksemplet, la oss prøve å se forskjellen mellom klassisk programmering og maskinlæring.
Tradisjonelt må programmereren som skriver klassisk kode:
Deretter brukes intelligensen til mennesket til å skrive programkoden som kan løse problemet.
I dette tilfellet må programmereren tenke på et system for lagring og strukturering av informasjonen som mottas. Deretter, når operatøren av applikasjonen, skrevet med klassisk programmering, stiller spørsmålet, vil maskinen svare med den nærmeste kjente informasjonen, mer lik den som er lagret.
I maskinlæring er detkunstig intelligens av programmet i stand til å studere de historiske dataene, lage modellen som skal brukes for å løse problemet, og til slutt gjør maskinen modellen tilgjengelig for programmereren.
I en maskin animert av maskinlæring lærer programmet av seg selv å forutsi reisetider fordi maskinen har gjennomgått en læringsfase før den tas i bruk. Da har maskinen lært seg å svare med den mest fornuftige informasjonen, nærmest virkeligheten basert på logikken diktert og tolket av modellen.
I maskinlæring blir modellen kjernen i prosessen. Når den er generert og utdannet, kan den holdes tilgjengelig. Hver ny spørring med nye data, av samme format som de som brukes til trening, vil gi et nytt resultat.
Rollen til dataforskeren endres litt, det vil si at han må følge programmet til genereringen av modellen gjennom opplæringsfasen. For å gjøre dette vil han ta seg av å velge strategier, planlegge mål, forberede dataene og fremfor alt teste modellen for å verifisere dens effektivitet samt eventuelle forbedringsmuligheter.
Denne prosessen kan itereres, gjentas flere ganger med sikte på å legge til forbedrede og reelle elementer, til hver iterasjon. På denne måten kan du komme nærmere den optimale løsningen for påfølgende trinn, forbedre treningen, forbedre testen, og dermed maskinen.
Det endelige målet er alltid å lage en modell som kjenner historiske data, forstår dens logikk og mønstre, og som derfor er i stand til å forutsi utfallet av fremtidige situasjoner.
Ercole Palmeri: Innovasjonsavhengig
Å utvikle finmotorikk gjennom fargelegging forbereder barna på mer komplekse ferdigheter som å skrive. Å farge…
Marinesektoren er en ekte global økonomisk makt, som har navigert mot et 150 milliarder marked...
Sist mandag kunngjorde Financial Times en avtale med OpenAI. FT lisensierer sin journalistikk i verdensklasse...
Millioner av mennesker betaler for strømmetjenester og betaler månedlige abonnementsavgifter. Det er vanlig oppfatning at du...
