Vsebina
Predstavil: AltaML
V:
Zakaj je vizualizacija podatkov uporabna za algoritme strojnega učenja?
A:
Disciplina vizualizacije podatkov nam omogoča praktično neskončne načine, kako pokazati, kaj se dogaja z algoritmi strojnega učenja. Vredno je razmisliti, zakaj je vizualizacija podatkov tako pomembna in zakaj sprošča toliko ustvarjalne moči za toliko ljudi, ki se vključujejo v procese strojnega učenja.
Če želite razumeti vrednost vizualizacije podatkov za strojno učenje, si oglejte kateri koli algoritem, ki se uporablja za ustvarjanje teh prelomnih in inovativnih programov.
Eno najpreprostejših je drevo odločitev. Ne da bi se spuščali v funkcije aktiviranja ali skrite plasti ali kaj podobnega, je odločilno drevo preprosto niz binarnih vozlišč. Toda celo preprosto drevo odločitev je ljudem zelo težko opisati ali pisati. Veliko lažje je, če je vizualiziran na zaslonu ali na strani. Ko vidite vsako vozlišče in njegove povezave z drugimi vozlišči, postane celotna stvar zlahka navidezna.
Zdaj si oglejmo eno najbolj bizantinskih in izpopolnjenih tipov algoritmov strojnega učenja - nevronsko mrežo.
Na nek način so nevronske mreže res zbirke algoritmov strojnega učenja. Osnovna nastavitev je sestavljena iz vhodne plasti, skritih plasti in izhodne plasti. Aktivacijske funkcije pomagajo posameznim digitalnim nevronom pri obdelavi tehtanih vhodov.
Vsi ti predmeti in vsi ti procesi se z vizualizacijo podatkov veliko lažje razložijo kot skozi besedni ali pisni opis. Lahko rečete, da ima nevronska mreža tehtane vhode, ki se pretakajo v vhodno plast in da se združijo v neki skriti plasti in se utrdijo v dani izhod, ko pa uporabite vizualno sliko, da pokažete, kako to deluje, človeško oko in človek možgane priklepati na to na veliko bolj neposreden in uporaben način.
V nekem smislu lahko vidite moč vizualizacije podatkov tudi brez upoštevanja strojnega učenja. Že v letih linearnega programiranja bi prevajalniki in studijski računalniški jeziki programerjem dali možnost, da določijo korak za korakom testni program, kjer bi lahko pregledali vrednosti spremenljivk v majhnih vizualnih poljih. To je spet pomagalo pokazati, kaj se zgodi pri izvedbi veliko bolje kot samo branje skozi kodno bazo.
Strojno učenje je hiperintenzivno programiranje - njegovo verjetnostno programiranje in prav zato nam vizualizacija podatkov resnično pomaga, da bi se lahko prepričali, kaj se dogaja s katerim koli algoritmom ali postopkom.