Ո՞րն է տարբերությունը մեքենայական ուսուցման ալգորիթմի և ունկնդիրի միջև, և երբ է օգտագործվում յուրաքանչյուրը:


պատասխանել 1:

Երբևէ մտածե՞լ եք այն մասին, թե ինչու նույն ML մոդելը չի ​​աշխատում տարբեր խնդիրների վրա:

Հեգնողականը պարզ գործառույթ է (ինչ է դա) կամ կանոնների մի շարք (ոչ միայն եթե-այդ դեպքում-այլ կերպ), որը թույլ է տալիս ձեզ մոդելավորել տվյալները նվազագույն ռեսուրսներով: Օրինակ ՝ ժամանակ խնայելու համար ես ասում եմ, որ բոլոր տղաները աղջիկներից բարձր են: Դա կարող է ճիշտ լինել որոշ դեպքերում, բայց ոչ միշտ: Ինչպե՞ս կարող եմ բարելավել այս մոդելը: Ես հավաքում եմ տվյալներ դպրոցներից, ներկայացնում եմ որոշակի փոփոխականներ, օրինակ. B. տարիքը, էթնիկությունը, քաշը և այլն, ապա սովորեք ML մոդելը, սահմանեք դրա պարամետրերը և Վիոլան: Ես ավելի լավն եմ, քան իմ պարզ ունկնդիրը: Եթե ​​դուք օգտագործում եք մի պարզ ունկնդիր և այս օրինակով վատ եք կատարում, լավ է, քանի որ ոչինչ չեք կորցնի: Հիմա պատկերացրեք մանրածախ վաճառող, գովազդատու կամ իրավապահ մարմինների աշխատակիցներ: Այս մարդիկ ցանկանում են բարձր արդյունավետության համակարգեր: Նրանք ուզում են ապրանքներ վաճառել, առավելագույն եկամուտներ բերել, ահաբեկիչներ բռնել: Պարզ հեուրիստական ​​լուծումը կարող է հանգեցնել հաճախակի սխալ որոշումների, որոնք էլ իրենց հերթին հանգեցնում են դոլարների և մարդկային կյանքի կորուստների: Դուք ցանկանում եք հուսալի համակարգ հավաքել տվյալներ և մարզել ML մոդելները: Այնուամենայնիվ, այս մոդելները դեռ կարող են օգտվել տիրույթի որոշ գիտելիքներից: Օրինակ ՝ օճառի գովազդատուն իր արտադրանքը չի հրապարակի կենդանիների կայքերում:

Վերադառնալ վերը նշված հարցին: Տվյալների հավաքածուի / խնդրի որոշակի ML- ի յուրաքանչյուր մոդել, ինչ-որ կերպ, հանդիսանում է բյուրեղապաշտական, բայց խիստ մասնագիտացված մոդել: Այնուամենայնիվ, նույն լուծումը չի կարող կիրառվել ամենուր, և դա ժամանակակից և ապագա ԱԻ գիտնականների ձգտումն է:


պատասխանել 2:

Հեգնողականությունը սովորաբար ձեռքի կոդավորված գործառույթ է: Այն հիմնված չէ տվյալների հավաքածուի վերապատրաստման միջոցով ձեռք բերված մոդելի վրա, բայց սովորաբար մարմնավորում է տիրույթի փորձագետների ողջամիտ փորձաքննություն:

Մեքենայական ուսուցման ալգորիթմը ալգորիթմ է, որը հարմարվում է տվյալներին: Օրինակ ՝ առցանց ուսուցման ալգորիթմը ալգորիթմ է, որը ճշգրտում է իր մոդելը յուրաքանչյուր տեսած օրինակի համար: Որքան երկար է այն օգտագործվում, այնքան ավելի լավ (կախված օգտագործվող մոդելների դասից, ինչը բավարար է առաջադրանքի համար):

Ուրվականը չի փոխվում, բայց մնում է նույնը: Լավ հնարք է այն, որ մենք կարող ենք օգտագործել երկուսն էլ. Մեքենայական ուսուցման ալգորիթմի մեջ օգտագործեք heuristic, նախ և առաջ կենտրոնանալ որոշ խոստումնալից թեկնածուների մոդելների վրա, ինչը կարող է էապես արագացնել ուսման գործընթացը; Կամ օգտագործեք մեքենայական ուսուցում սովորելու համար պարզ, բայց արագ մոդել, որն այնուհետև կարող է ծառայել որպես լավ ունիվերսալ:


պատասխանել 3:

Հեգնողականությունը սովորաբար ձեռքի կոդավորված գործառույթ է: Այն հիմնված չէ տվյալների հավաքածուի վերապատրաստման միջոցով ձեռք բերված մոդելի վրա, բայց սովորաբար մարմնավորում է տիրույթի փորձագետների ողջամիտ փորձաքննություն:

Մեքենայական ուսուցման ալգորիթմը ալգորիթմ է, որը հարմարվում է տվյալներին: Օրինակ ՝ առցանց ուսուցման ալգորիթմը ալգորիթմ է, որը ճշգրտում է իր մոդելը յուրաքանչյուր տեսած օրինակի համար: Որքան երկար է այն օգտագործվում, այնքան ավելի լավ (կախված օգտագործվող մոդելների դասից, ինչը բավարար է առաջադրանքի համար):

Ուրվականը չի փոխվում, բայց մնում է նույնը: Լավ հնարք է այն, որ մենք կարող ենք օգտագործել երկուսն էլ. Մեքենայական ուսուցման ալգորիթմի մեջ օգտագործեք heuristic, նախ և առաջ կենտրոնանալ որոշ խոստումնալից թեկնածուների մոդելների վրա, ինչը կարող է էապես արագացնել ուսման գործընթացը; Կամ օգտագործեք մեքենայական ուսուցում սովորելու համար պարզ, բայց արագ մոդել, որն այնուհետև կարող է ծառայել որպես լավ ունիվերսալ:


պատասխանել 4:

Հեգնողականությունը սովորաբար ձեռքի կոդավորված գործառույթ է: Այն հիմնված չէ տվյալների հավաքածուի վերապատրաստման միջոցով ձեռք բերված մոդելի վրա, բայց սովորաբար մարմնավորում է տիրույթի փորձագետների ողջամիտ փորձաքննություն:

Մեքենայական ուսուցման ալգորիթմը ալգորիթմ է, որը հարմարվում է տվյալներին: Օրինակ ՝ առցանց ուսուցման ալգորիթմը ալգորիթմ է, որը ճշգրտում է իր մոդելը յուրաքանչյուր տեսած օրինակի համար: Որքան երկար է այն օգտագործվում, այնքան ավելի լավ (կախված օգտագործվող մոդելների դասից, ինչը բավարար է առաջադրանքի համար):

Ուրվականը չի փոխվում, բայց մնում է նույնը: Լավ հնարք է այն, որ մենք կարող ենք օգտագործել երկուսն էլ. Մեքենայական ուսուցման ալգորիթմի մեջ օգտագործեք heuristic, նախ և առաջ կենտրոնանալ որոշ խոստումնալից թեկնածուների մոդելների վրա, ինչը կարող է էապես արագացնել ուսման գործընթացը; Կամ օգտագործեք մեքենայական ուսուցում սովորելու համար պարզ, բայց արագ մոդել, որն այնուհետև կարող է ծառայել որպես լավ ունիվերսալ: