J:
Kā mašīnmācības profesionāļi izmanto strukturētu prognozēšanu?
A:Mašīnmācības profesionāļi izmanto strukturētu pareģošanu ļoti daudzos veidos, parasti, izmantojot kādu mašīnmācīšanās tehnikas veidu kādam konkrētam mērķim vai problēmai, kam var būt noderīga jutīgākas analīzes sākumpunkts.
Strukturētas prognozēšanas tehniskā definīcija ietver “strukturētu objektu prognozēšanu, nevis skalāru diskrētu vai reālu vērtību”.
Vēl viens veids, kā pateikt, būtu tas, ka tā vietā, lai vienkārši izmērītu atsevišķus mainīgos lielumus vakuumā, strukturētas prognozes darbojas pēc noteiktas struktūras modeļa un izmanto to kā pamatu mācībām un prognožu veikšanai. (Lasiet Kā AI var palīdzēt personības pareģošanā?)
Strukturētās prognozēšanas metodes ir ļoti dažādas - sākot no Bajesijas metodēm līdz induktīvai loģikas programmēšanai, Markova loģiskajiem tīkliem un strukturētu atbalsta vektora mašīnām vai tuvāko kaimiņu algoritmiem, mašīnmācīšanās profesionāļu rīcībā ir plašs rīku komplekts, ko izmantot datu problēmām.
Šajās idejās ir ierasts izmantot kādu pamatā esošo struktūru, kuras pamatā ir mašīnmācīšanās darbs.
Eksperti bieži sniedz ideju par valodas dabisko apstrādi, kur runas daļas tiek apzīmētas kā teksta struktūras elementi - citos piemēros ietilpst rakstzīmju optiskā atpazīšana, kad mašīnmācīšanās programma atpazīst ar roku rakstītus vārdus, analizējot dotās ievades segmentus vai sarežģītu attēlu. apstrāde, kurā datori iemācās atpazīt objektus, pamatojoties uz segmentētu ievadi, piemēram, ar konvolūcijas neironu tīklu, kas sastāv no daudziem “slāņiem”.
Eksperti varētu runāt par lineāru daudzklases klasifikāciju, lineārās saderības funkcijām un citām pamata metodēm strukturētu prognožu ģenerēšanai. Ļoti vispārīgā nozīmē strukturētās prognozes balstās uz atšķirīgu modeli nekā plašākā uzraudzītās mašīnmācības jomā - lai atgrieztos pie strukturētu pareģojumu piemēra dabiskās valodas apstrādē un ar atzīmēm fonēmām vai vārdiem, mēs redzam, ka marķējuma izmantošana vadīta mašīnmācīšanās ir vērsta uz pašu strukturālo modeli - saturīgo tekstu, kas tiek piegādāts, iespējams, testa komplektos un mācību komplektos.
Tad, kad mašīnmācīšanās programmai tiek ļauts brīvi veikt savu darbu, tā tiek balstīta uz strukturālo modeli. Tas, pēc ekspertu domām, izskaidro to, kā programma saprot, kā lietot runas daļas, piemēram, darbības vārdus, īpašības vārdus, īpašības vārdus un lietvārdus, nevis sajaukt tās ar citām runas daļām vai nespējot atšķirt, kā tās darbojas globālā kontekstā . (Izlasiet, cik strukturēti ir jūsu dati? Pārbaudot strukturētus, nestrukturētus un daļēji strukturētus datus.)
Strukturētas prognozēšanas lauks joprojām ir galvenā mašīnmācības sastāvdaļa, jo attīstās dažādi mašīnmācīšanās un mākslīgā intelekta veidi.
