Како професионалци за машинско учење користе структурирано предвиђање? евал (ез_врите_таг ([[320,50], тецхопедиа_цом-ундер_паге_титле, езслот_8,242,0,0]));

Садржај

П:

Како професионалци за машинско учење користе структурирано предвиђање?

А:

Професионалци машинског учења користе структурирано предвиђање на читаво мноштво начина, обично примењујући неки облик технике машинског учења на одређени циљ или проблем који може имати користи од нарученије почетне тачке за предиктивну анализу.

Техничка дефиниција структурираног предвиђања укључује „предвиђање структурираних објеката а не скаларних дискретних или стварних вриједности“.

Још један начин да то кажемо јесте да уместо да се у вакууму једноставно мере појединачне променљиве, структурирана предвиђања делују по моделу одређене структуре и користе их као основу за учење и прављење предвиђања. (Прочитајте како АИ може помоћи у предвиђању личности?)

Технике структурираног предвиђања су широко променљиве - од Баиесових техника до индуктивног логичког програмирања, Маркових логичких мрежа и структурираних векторских машина за подршку или алгоритама најближих комшија, стручњаци за машинско учење имају на располагању широк скуп алата за примену у проблемима са подацима.

Оно што је заједничко овим идејама је употреба неке основне структуре на којој је својствен рад машинског учења.

Стручњаци често дају идеју о природној обради језика, где су делови говора означени да представљају елементе структуре - други примери укључују оптичко препознавање знакова, где програм машинског учења препознаје руком писане речи рашчлањивањем сегмената датог уноса или сложене обраде слике. , где рачунари уче да препознају објекте на основу сегментираног уноса, на пример, са конволуционарном неуронском мрежом која се састоји од многих „слојева“.

Стручњаци би могли говорити о линеарној класификацији више класа, функцијама линеарне компатибилности и другим основним техникама за генерисање структурираних предвиђања. У врло општем смислу, структурирана предвиђања граде се на другачијем моделу од ширег поља надгледаног машинског учења - да се вратимо на пример структуираних предвиђања у обради природног језика и обележених фонема или речи, видимо да употреба означавања за надзирано машинско учење оријентисано је на сам структурни модел - смисао који се испоручује, можда у тестним сетовима и сетовима за обуку.

Затим, када је програм машинског учења остављен да ради свој посао, заснован је на структуралном моделу. То, кажу стручњаци, објашњава део начина на који програм разуме како да се користе делови говора попут глагола, прислова, придјева и именица, уместо да их погреше за друге делове говора или да нису у стању да разликују како делују у глобалном смислу. . (Прочитајте како су структуирани ваши подаци? Испитивање структурираних, неструктурираних и полуструктурираних података.)

Поље структурираног предвиђања и даље је кључни део машинског учења како се развијају разне врсте машинског учења и вештачке интелигенције.