Jak specjaliści od uczenia maszynowego korzystają z prognoz strukturalnych? eval (ez_write_tag ([[320,50], techopedia_com-under_page_title, ezslot_8,242,0,0]));

Zawartość

P:

Jak specjaliści od uczenia maszynowego korzystają z prognoz strukturalnych?

ZA:

Specjaliści od uczenia maszynowego używają prognozowania strukturalnego na wiele sposobów, zazwyczaj przez zastosowanie jakiejś formy techniki uczenia maszynowego do określonego celu lub problemu, który może skorzystać z bardziej uporządkowanego punktu wyjścia do analizy predykcyjnej.

Techniczna definicja przewidywania strukturalnego obejmuje „przewidywanie obiektów strukturalnych zamiast skalarnych wartości dyskretnych lub rzeczywistych”.

Innym sposobem na powiedzenie tego byłoby to, że zamiast po prostu mierzyć poszczególne zmienne w próżni, ustrukturyzowane przewidywania działają na podstawie modelu określonej struktury i wykorzystują to jako podstawę do uczenia się i tworzenia prognoz. (Przeczytaj, w jaki sposób AI może pomóc w przewidywaniu osobowości?)

Techniki predykcji strukturalnej są bardzo różnorodne - od technik bayesowskich po indukcyjne programowanie logiczne, sieci logiczne Markowa i maszyny z wektorami wsparcia strukturalnego lub algorytmy najbliższego sąsiada - specjaliści uczący się mają do dyspozycji szeroki zestaw narzędzi do rozwiązywania problemów z danymi.

Wspólne w tych pomysłach jest wykorzystanie jakiejś podstawowej struktury, na której nieodłącznie opiera się praca uczenia maszynowego.

Eksperci często myślą o przetwarzaniu języka naturalnego, w którym części mowy są oznaczone, aby reprezentować elementy struktury - inne przykłady obejmują optyczne rozpoznawanie znaków, w którym program do uczenia maszynowego rozpoznaje słowa odręczne przez analizowanie segmentów danych wejściowych lub złożone przetwarzanie obrazu , w którym komputery uczą się rozpoznawać obiekty na podstawie segmentacji danych wejściowych, na przykład za pomocą splotowej sieci neuronowej złożonej z wielu „warstw”.

Eksperci mogą mówić o liniowej klasyfikacji wieloklasowej, funkcjach zgodności liniowej i innych podstawowych technikach generowania prognoz strukturalnych. W bardzo ogólnym znaczeniu, strukturalne predykcje opierają się na innym modelu niż szerszy obszar nadzorowanego uczenia maszynowego - wracając do przykładu strukturalnych predykcji w przetwarzaniu języka naturalnego i tagowanych fonemów lub słów, widzimy, że zastosowanie etykietowania dla nadzorowane uczenie maszynowe jest zorientowane na sam model strukturalny - znaczenie, które jest dostarczane, być może w zestawach testowych i szkoleniowych.

Następnie, kiedy program uczenia maszynowego zostaje zwolniony, aby mógł wykonać swoją pracę, opiera się na modelu strukturalnym. To, zdaniem ekspertów, wyjaśnia niektóre z tego, w jaki sposób program rozumie, jak korzystać z części mowy, takich jak czasowniki, przysłówki, przymiotniki i rzeczowniki, zamiast mylić je z innymi częściami mowy lub nie być w stanie rozróżnić, w jaki sposób działają w kontekście globalnym . (Przeczytaj, jak uporządkowane są Twoje dane? Badanie danych ustrukturyzowanych, nieustrukturyzowanych i częściowo ustrukturyzowanych).

Dziedzina strukturalnego przewidywania pozostaje kluczową częścią uczenia maszynowego w miarę ewolucji różnych rodzajów uczenia maszynowego i sztucznej inteligencji.