Kā mašīnmācības profesionāļi izmanto strukturētu prognozēšanu? eval (ez_write_tag ([[320,50], techopedia_com-under_page_title, ezslot_8,242,0,0]));

Saturs

• J:
• A:

J:

Kā mašīnmācības profesionāļi izmanto strukturētu prognozēšanu?

A:

Mašīnmācības profesionāļi izmanto strukturētu pareģošanu ļoti daudzos veidos, parasti, izmantojot kādu mašīnmācīšanās tehnikas veidu kādam noteiktam mērķim vai problēmai, kam var būt noderīga jutīgākas analīzes sākumpunkts.

Strukturētas prognozēšanas tehniskā definīcija ietver “strukturētu objektu prognozēšanu, nevis skalāru diskrētu vai reālu vērtību”.

Vēl viens veids, kā pateikt, būtu tas, ka tā vietā, lai vienkārši izmērītu atsevišķus mainīgos lielumus vakuumā, strukturētas prognozes darbojas pēc noteiktas struktūras modeļa un izmanto to kā pamatu mācībām un prognozēšanu. (Lasiet Kā AI var palīdzēt personības pareģošanā?)

Strukturētās prognozēšanas metodes ir ļoti dažādas - sākot no Bajesijas metodēm līdz induktīvai loģikas programmēšanai, Markova loģiskajiem tīkliem un strukturētu atbalsta vektora mašīnām vai tuvāko kaimiņu algoritmiem, mašīnmācīšanās profesionāļu rīcībā ir plašs rīku komplekts, ko izmantot datu problēmām.

Kas šajās idejās ir izplatīts, ir kādas pamatā esošas struktūras izmantošana, kuras pamatā ir mašīnmācīšanās darbs.

Eksperti bieži sniedz ideju par valodas dabisko apstrādi, kur runas daļas tiek apzīmētas kā struktūras elementi - citos piemēros ietilpst rakstzīmju optiskā atpazīšana, kad mašīnmācīšanās programma atpazīst ar roku rakstītus vārdus, analizējot dotās ievades segmentus, vai sarežģītu attēlu apstrādi. , kur datori iemācās atpazīt objektus, pamatojoties uz segmentētu ievadi, piemēram, ar konvolūcijas neironu tīklu, kas sastāv no daudziem “slāņiem”.

Eksperti varētu runāt par lineāru daudzklases klasifikāciju, lineārās saderības funkcijām un citām pamata metodēm strukturētu prognožu ģenerēšanai. Ļoti vispārīgā nozīmē strukturētas prognozes balstās uz atšķirīgu modeli nekā plašākā uzraudzītās mašīnmācības jomā - lai atgrieztos pie strukturētu pareģojumu piemēra dabiskās valodas apstrādē un ar atzīmēm fonēmām vai vārdiem, mēs redzam, ka marķējuma izmantošana vadīta mašīnmācīšanās ir orientēta uz pašu strukturālo modeli - jēgpilnu, kas tiek piegādāts, iespējams, kontrolkomplektos un mācību komplektos.

Tad, kad mašīnmācīšanās programmai tiek ļauts brīvi veikt savu darbu, tā balstās uz strukturālo modeli. Tas, kā saka eksperti, izskaidro to, kā programma saprot, kā lietot runas daļas, piemēram, darbības vārdus, īpašības vārdus, īpašības vārdus un lietvārdus, nevis sajaukt tos ar citām runas daļām vai nespējot atšķirt, kā viņi darbojas globālā mērogā . (Izlasiet, cik strukturēti ir jūsu dati? Pārbaudot strukturētus, nestrukturētus un daļēji strukturētus datus.)

Strukturētas prognozēšanas lauks joprojām ir galvenā mašīnmācības sastāvdaļa, jo attīstās dažādi mašīnmācīšanās un mākslīgā intelekta veidi.