Kako strokovnjaki za strojno učenje uporabljajo strukturirano napovedovanje? eval (ez_write_tag ([[320,50], techopedia_com-under_page_title, ezslot_8,242,0,0]));

Vsebina

• V:
• A:

V:

Kako strokovnjaki za strojno učenje uporabljajo strukturirano napovedovanje?

A:

Strokovni delavci strojnega učenja strukturirano napovedovanje uporabljajo na več načinov, običajno z uporabo neke tehnike strojnega učenja za določen cilj ali problem, ki lahko koristi bolj urejeno izhodišče za napovedno analizo.

Tehnična definicija strukturiranega predvidevanja vključuje „napovedovanje strukturiranih objektov in ne skalarnih diskretnih ali resničnih vrednosti“.

Drug način, da to povemo, je, da namesto zgolj merjenja posameznih spremenljivk v vakuumu strukturirane napovedi delujejo po modelu določene strukture in to uporabljajo kot podlago za učenje in napovedovanje. (Preberite si, kako lahko AI pomaga pri napovedih osebnosti?)

Tehnike strukturiranega napovedovanja so zelo različne - od Bayesovih tehnik do induktivnega logičnega programiranja, Markovih logičnih omrežij in strukturiranih podpornih vektorskih strojev ali najbližjih sosednjih algoritmov, strokovnjaki za strojno učenje imajo na voljo široko nabor orodij za uporabo pri težavah s podatki.

V teh idejah je skupno nekaj uporabe osnovne strukture, na kateri temelji strojno učenje.

Strokovnjaki pogosto dajejo idejo o obdelavi naravnega jezika, kjer so deli govora označeni kot elementi strukture - drugi primeri vključujejo optično prepoznavanje znakov, kjer program za strojno učenje prepozna ročno napisane besede z razčlenjevanjem segmentov danega vnosa ali zapleteno obdelavo slike , kjer se računalniki naučijo prepoznati predmete na podlagi segmentiranega vnosa, na primer s konvolucijsko nevronsko mrežo, sestavljeno iz številnih "plasti".

Strokovnjaki lahko govorijo o linearni klasifikaciji v več razredih, funkcijah linearne združljivosti in drugih osnovnih osnovah za ustvarjanje strukturiranih napovedi. V zelo splošnem smislu strukturirane napovedi gradijo na drugačnem modelu kot na širšem področju nadzorovanega strojnega učenja - če se vrnemo na primer strukturiranih napovedi pri obdelavi naravnega jezika in označenih fonemov ali besed, vidimo, da uporaba označevanja za nadzorovano strojno učenje je usmerjeno k samemu strukturnemu modelu - pomenu, ki je na voljo, morda v testnih setih in učnikih.

Potem, ko je program strojnega učenja svoboden, da opravi svoje delo, temelji na strukturnem modelu. To, trdijo strokovnjaki, pojasnjuje nekaj, kako program razume, kako uporabljati dele govora, kot so glagoli, prislovi, pridevniki in samostalniki, namesto da bi jih zmotil za druge dele govora ali ne, da bi razločil, kako delujejo v globalnem smislu . (Preberite, kako strukturirani so vaši podatki? Pregled strukturiranih, nestrukturiranih in polstrukturiranih podatkov.)

Področje strukturiranega predvidevanja ostaja ključni del strojnega učenja, saj se razvijajo različne vrste strojnega učenja in umetne inteligence.