Как специалистите по машинно обучение използват структурирано предвиждане? Оценка (ez_write_tag ([[320,50] techopedia_com-under_page_title, ezslot_8,242,0,0]));

Съдържание

Q:

Как специалистите по машинно обучение използват структурирано предвиждане?

A:

Специалистите в машинното обучение използват структурирано прогнозиране по цялото множество начини, обикновено като прилагат някаква форма на техника на машинно обучение към определена цел или проблем, която може да се възползва от по-подредена отправна точка за прогнозионен анализ.

Техническото определение на структурирано предсказване включва „прогнозиране на структурирани обекти, а не скаларни дискретни или реални стойности“.

Друг начин да се каже това е, че вместо просто измерване на отделни променливи във вакуум, структурираните прогнози работят от модел на определена структура и използват това като основа за учене и извършване на прогнози. (Прочетете как AI може да помогне при прогнозиране на личността?)

Техниките за структурирано прогнозиране са широко променливи - от байесовски техники до индуктивно логическо програмиране, логически мрежи на Марков и структурирани машини за поддръжка на вектори или алгоритми на най-близки съседи, специалистите за машинно обучение имат на разположение широк набор от инструменти за прилагане на проблеми с данни.

Това, което е общо в тези идеи, е използването на някаква основна структура, на която машинното обучение се основава по своята същност.

Експертите често дават идеята за естествена обработка на езика, при която части от речта са маркирани, за да представят елементи от структура - други примери включват оптично разпознаване на символи, при което машинно учене програма разпознава ръкописни думи чрез разбор на сегменти от даден вход или сложна обработка на изображения , където компютрите се учат да разпознават обекти въз основа на сегментирано въвеждане, например, със свита невронна мрежа, състояща се от много „слоеве“.

Експертите могат да говорят за линейна многокласова класификация, функции за линейна съвместимост и други базови техники за генериране на структурирани прогнози. В много общ смисъл структурираните прогнози се основават на различен модел от по-широкото поле на контролираното машинно обучение - да се върнем към примера на структурираните прогнози при обработката на естествен език и маркираните фонеми или думи, виждаме, че използването на етикетирането за контролираното машинно обучение е ориентирано към самия структурен модел - смисъла, който се предоставя, може би в тестовите групи и учебните комплекти.

След това, когато програмата за машинно обучение бъде освободена да върши своята работа, тя се основава на структурния модел. Това, казват експертите, обяснява някои от начина, по който програмата разбира как да се използват части на речта като глаголи, наречия, прилагателни и съществителни имена, вместо да ги сбърка с други части на речта или да не може да различи как работят в глобален контекст , (Прочетете как са структурирани вашите данни? Разглеждане на структурирани, неструктурирани и полуструктурирани данни.)

Полето на структурирано прогнозиране остава ключова част от машинното обучение, тъй като се развиват различни видове машинно обучение и изкуствен интелект.