Ո՞րն է տարբերությունը եզրակացության և սովորելու միջև:


պատասխանել 1:

Շնորհակալություն A2A- ի համար:

Ուսումնառություն և եզրակացություն տերմինի օգտագործումը կախված է առարկայից: Խառնաշփոթը սովորաբար ծագում է այն ժամանակ, երբ բառերը պատահականորեն օգտագործվում են ՝ առանց որոշակի դաշտի վկայակոչելու:

Ամենատարածված մակարդակում «եզրակացություն» բառը մի բան է, որին մենք բոլորս ծանոթ ենք: Մենք դիտում ենք որոշ տվյալներ և ուզում ենք դրանից ինչ-որ բան սովորել: Տվյալները դիտարկելու և դրանից բանի գիտելիքներ ասելու գործընթացը `եզրակացության ինտուիտիվ սահմանում է:

Երբ վիճակագրագետները խոսում են եզրակացության մասին, նրանք սովորաբար խոսում են վիճակագրական եզրակացության մասին: Վիճակագրական եզրակացության մեջ մենք դիտում ենք որոշ տվյալներ և ցանկանում ենք ինչ-որ բան ասել այդ տվյալների ստեղծման գործընթացի մասին: Հետևաբար, սխալի սանդղակների կանխատեսումը, գնահատումը, վարկածների փորձարկումն ու պարամետրերի գնահատումը, հետևաբար, կլինեն վիճակագրական եզրակացության մաս: Ուշադրություն դարձրեք, թե ինչպես է պարամետրի գնահատումը ներառված նաև վիճակագրական եզրակացության ներքո:

Մյուս կողմից, համակարգչային գիտության ավանդույթի ուսումնասիրողները, ովքեր սովորում են մեքենայական համակարգում, հաճախ տարբերում են սովորելու և հետևությունների միջև: Ուսումը կապված է պարամետրերի գնահատման հետ և բացահայտորեն չի դիտվում որպես եզրակացության խնդիր: Հետևաբար «եզրակացություն» տերմինի հայեցակարգացումը ավելի նեղ է, քան վիճակագրագետը: Արդյունքում սովորաբար դիտվում է որպես մի կանխատեսում: Օրինակ ՝ գծային ռեգրեսիայի դեպքում մենք ուզում ենք կանխատեսել իրական արժեքի փոփոխական ՝ հաշվի առնելով որոշ առանձնահատկություններ և սովորված որոշ պարամետրեր: Պատկերի մշակման հետ կապված խնդրի դեպքում մենք կարող ենք ցանկանալ մուտքագրվել բացակայող պիքսելների հավանական հավանական արժեքները մեր սովորած ընդհանուր բաշխումից `բացակայող պիքսելային բազմաթիվ արժեքներով պատկերով: Այս երկու կանխատեսումները կոչվելու էին հետևություններ: Սովորելու և հետևելու տարբերակման առավելությունն այն է, որ սովորելու ալգորիթմները, բնականաբար, առանձնացված են եզրակացության ալգորիթմներից: Չնայած որոշ խնդիրների համար պարամետրերը կարելի է գնահատել անալիտիկորեն, խնդիրների մեծ մասը պահանջում է ուսման ալգորիթմ, ինչպիսին է գրադիենտ ծագման տիպի ալգորիթմը: Նմանապես, որոշ այլ հետևանքների հետ կապված խնդիրների համար, ինչպիսիք են վերևում գտնվող պատկերի մշակման օրինակը, կանխատեսումը, որպես կանոն, վարդակից և խցանված չէ, և կանխատեսումը հաշվարկելու համար պահանջում է այլընտրանքային ալգորիթմի օգտագործումը, ինչպիսին է նմուշառման ալգորիթմը: Այն ավելի հետաքրքիր է դառնում նաև լատենտային փոփոխականությամբ մոդելների հետ, որոնց դեպքում վարակների ալգորիթմը հաճախ տեղադրվում է ուսման ալգորիթմի մեջ, ինչպես դա տեղի է ունենում MCMC-EM ալգորիթմների դեպքում:

Ամփոփելով, եզրակացության և սովորելու միջև եղած տարբերությունը կախված է մոդելավորողի աչքից: Եթե ​​կարծում եք, որ որպես վիճակագիր, ուսման / պարամետրերի գնահատումը մի տեսակ եզրակացություն է: Եթե ​​կարծում եք, որ ինչպես սովորական մեքենայական ուսուցման հետազոտող, սովորելը սովորաբար պարամետրերի գնահատումն է, և եզրակացությունը սովորաբար կանխատեսում է: Տարբեր իրավիճակներում օգտակար են տարբեր հեռանկարներ:


պատասխանել 2:

Կարճ պատասխան

հատուկ օրինակ

Եզրակացություն

բոլոր օրինակները

Սովորում

  1. Եթե ​​սովորում եք գրաֆիկական մոդելի պարամետրերը, կգտնեք ունիվերսալ արժեքներ ձեր տվյալների բոլոր կետերի համար: Դրա մասին կարող եք մտածել որպես «սովորելու» այն տեղաբանությունը կամ բազմազանությունը, որում ձեր տվյալները տեղակայված են (մոդելի կողմից պարտադրված սահմանափակումների մեջ): Դուք պատասխանում եք «Մոդելի ո՞ր կազմաձևն է ամենալավը բացատրում բոլոր տվյալների կետերը» հարցին: Եթե ​​դուք հանեք թաքնված կամ լատենտային պարամետրերը, ապա կգտնեք թաքնված կամ լատենտային փոփոխականների օրինակներ, որոնք հատուկ են տվյալների կետին: Այս թաքնված փոփոխականներին հասկանալը կարող է օգնել կանխատեսումներ անել տվյալների հետ: Դուք պատասխանում եք «Թաքնված փոփոխականների ո՞ր արժեքներն են բացատրում այս տվյալների կետը» հարցին:

Մեկ այլ օրինակ.

Ամփոփում

Հետաքրքիր կայք.

կարող էր

Ամրագրում


պատասխանել 3:

Այստեղ մի փոքր պարզեցված. Դրանք երկուսն էլ մոդելային հարմարեցման տեսակ են: Սովորելը միայն ճշգրտում է կանխատեսող մոդելը, մինչդեռ եզրակացությունը ճշգրտում է կանխատեսող մոդելը `գնահատելով հավանականության մոդելի պարամետրերը: Հետևաբար գծային ռեգրեսիայի հարմարվողականության արդյունքը կարելի է համարել եզրակացություն, բայց օժանդակ վեկտորի մեքենայի հարմարեցման արդյունքը միայն սովորում է: