在阅读本文之前,我们建议您阅读 是什么 Data Science,它做什么以及目标是什么
由机器学习算法驱动的机器在投入使用之前,会经历一个学习阶段,即学习,也就是众所周知的训练。 在这个阶段,机器研究提供的历史数据。
在探讨机器学习的优点以及经典编程和机器学习之间的区别之前,让我们看一个肯定会帮助我们更好理解的例子。
假设我们将与最佳交通条件下高速公路上的行驶时间相关的信息传达给我们的一个程序,以指导一种能够像语音助手一样响应我们的算法。
对于每条路径,我们将向算法传达以下信息:
然后通过语音助手我们去告诉机器:
由于我们已经通过语音助手传达了数据,我们的程序将提供这种类型的表格:
最终,如果我们的机器通过机器学习算法进行动画处理,它将从提供的信息中学习,从而以旅行时间的形式预测结果。 因此,我们可以向我们的计划提出一个问题:“从都灵到米兰,有 1000 辆汽车和柴油……需要多长时间?”
这个例子不准确,但相当现实。 但它有助于总结机器学习的目的。
从这个例子中得到启发,让我们试着看看经典编程和机器学习之间的区别。
传统上,编写经典代码的程序员必须:
然后用人类的智慧编写可以解决问题的程序代码。
在这种情况下,程序员将不得不考虑一个系统来存储和结构化接收到的信息。 随后,当使用经典编程编写的应用程序的操作员提出问题时,机器将以最接近的已知信息做出响应,与存储的信息更相似。
在机器学习中,它是人工智能 程序能够研究历史数据,创建用于解决问题的模型,最后机器将模型提供给程序员。
在由机器学习驱动的机器中,程序自行学习预测旅行时间,因为在投入使用之前,机器已经经历了一个学习阶段。 然后机器学会了根据模型规定和解释的逻辑,用最合理的信息做出反应,最接近现实。
在机器学习中,模型成为过程的核心。 一旦生成和教育,它就可以保持可用。 每个具有与用于训练的格式相同的新数据的新查询都会产生一个新结果。
数据科学家的角色略有变化,也就是说,他必须伴随程序到模型的生成,通过训练阶段。 为此,他将负责选择策略、规划目标、准备数据,最重要的是测试模型以验证其有效性以及任何改进的可能性。
这个过程可以迭代,重复几次,目的是在每次迭代中添加改进的和真实的元素。 通过这种方式,您可以更接近后续步骤的最佳解决方案,改进训练,改进测试,从而改进机器。
最终目标始终是创建一个了解历史数据、了解其逻辑和模式并因此能够预测未来情况结果的模型。
Ercole Palmeri: 创新上瘾