Unsa ang Machine Learning, kung unsa kini ug ang mga katuyoan niini

Ang Pagkat-on sa Machine usa ka sanga sa Artipisyal nga Kaalam nga naghisgot sa pagsundog sa pangatarungan sa tawo pinaagi sa pagbutang sa usa ka makina sa posisyon aron makakat-on gikan sa usa ka pamatasan ug busa gikan sa makasaysayan nga datos.

Sa wala pa basahon kini nga artikulo among girekomenda nga basahon nimo Unsa ang Data Science, unsay ginabuhat niini ug unsay mga tumong

Usa ka makina nga gi-animate sa usa ka algorithm sa pagkat-on sa makina, sa wala pa mosulod sa serbisyo, nakaagi sa yugto sa pagkat-on, nga mao ang pagkat-on, nga mas nailhan nga pagbansay. Niini nga hugna ang makina nagtuon sa makasaysayanong datos nga magamit.

Sa dili pa moadto sa mga merito sa pagkat-on sa makina, ug ang mga kalainan tali sa klasikal nga programming ug pagkat-on sa makina, tan-awon naton ang usa ka pananglitan nga siguradong makatabang kanato nga mas masabtan.

Pananglitan sa pagkat-on sa makina

Pananglit nakigsulti kami sa usa sa among mga programa nga impormasyon nga may kalabutan sa mga oras sa pagbiyahe sa motorway sa labing kaayo nga kahimtang sa trapiko, aron itudlo ang usa ka algorithm nga makahimo sa pagtubag kanamo ingon usa ka katabang sa tingog.

Alang sa matag agianan atong ipahibalo ang mosunod nga impormasyon sa algorithm:

1. dapit sa pagbiya ug dapit sa pag-abot
2. paagi sa transportasyon nga gigamit, nga nagtino sa displacement ug matang sa makina (electric, hybrid, diesel, ug uban pa)
3. kinatibuk-ang oras sa pagbiyahe

Unya pinaagi sa voice assistant moadto kami sa pagsulti sa makina:

• gikan sa Turin hangtod sa Milan nga adunay 1000 nga makina ug gasolina nga among gibiyahe 1 oras ug 20 minuto
• gikan sa Turin hangtod sa Milan nga adunay 2000 nga kapasidad sa makina ug gasolina nagbiyahe kami 50 minuto
• Kami mibiyahe ug 2000 minutos gikan sa Turin paingon sa Milan nga may 40 ka makina ug de-koryenteng mga sakyanan
• Mibiyahe mi og 1200 minutos gikan sa Turin paingon sa Milan nga may 50 ka petrol nga mga motorsiklo
• … ug uban pa…

Ingon nga among gipahibalo ang datos pinaagi sa voice assistant, ang among programa magpakaon sa usa ka lamesa sa kini nga klase:

Sa kadugayan kung ang among makina gi-animate sa usa ka algorithm sa pagkat-on sa makina, nakakat-on kini gikan sa kasayuran nga gihatag, ug sa ingon makatagna usa ka sangputanan sa porma sa oras sa pagbiyahe. Busa makapangutana kami sa among programa: "gikan sa Turin hangtod sa Milan nga adunay 1000 nga mga awto ug diesel ... unsa ka dugay kini?"

Ang pananglitan dili tukma, apan realistiko. Apan kini makatabang sa pag-summarize sa katuyoan sa Machine Learning.

Pagkuha sa usa ka cue gikan sa panig-ingnan, atong sulayan nga makita ang kalainan tali sa klasikal nga programming ug Machine Learning.

Unsa ang mahitabo sa classical programming

Sa naandan, ang programmer nga nagsulat sa klasiko nga code kinahanglan:

1. sulbaron ang problema nga giatubang kaniya;
2. pagsulat og "detalyadong" algorithm alang sa pagsulbad sa problema;
3. isulat ang code nga nagpatuman sa algorithm;
4. sulayi ang sinulat nga code ug pamatud-i nga kini nagtrabaho sa husto.

Unya ang salabutan sa tawo gigamit sa pagsulat sa program code nga makasulbad sa problema.

Sa kini nga kaso, ang programmer kinahanglan nga maghunahuna sa usa ka sistema alang sa pagtipig ug pag-istruktura sa kasayuran nga nadawat. Pagkahuman, kung ang operator sa aplikasyon, nga gisulat sa klasikal nga programa, mangutana sa pangutana, ang makina motubag sa labing duol nga nahibal-an nga kasayuran, nga mas susama sa gitipigan.

Unsa ang mahitabo sa pagkat-on sa makina

Sa pagkat-on sa makina, kini mao angartipisyal nga paniktik sa programa makahimo sa pagtuon sa makasaysayanong datos, sa paghimo sa modelo nga magamit sa pagsulbad sa problema, ug sa katapusan ang makina naghimo sa modelo nga anaa sa programmer.

Sa usa ka makina nga gipalihok sa pagkat-on sa makina, ang programa nakakat-on sa iyang kaugalingon sa pagtagna sa mga oras sa pagbiyahe tungod kay sa wala pa mosulod sa serbisyo ang makina nakaagi sa usa ka yugto sa pagkat-on. Dayon ang makina nakakat-on sa pagtubag sa labing makatarunganon nga impormasyon, labing duol sa kamatuoran base sa lohika nga gidiktar ug gihubad sa modelo.

Sa pagkat-on sa makina, ang modelo nahimong kasingkasing sa proseso. Sa higayon nga mamugna ug maedukar, kini mahuptan nga anaa. Ang matag bag-ong pangutana nga adunay bag-ong datos, sa parehas nga format sa gigamit sa pagbansay, maghimo usa ka bag-ong resulta.

Ug ang data scientist?

Ang tahas sa Data Scientist nagbag-o gamay, nga mao, kinahanglan niya nga iuban ang programa sa henerasyon sa modelo, pinaagi sa yugto sa pagbansay. Aron mahimo kini, siya ang responsable sa pagpili sa mga estratehiya, pagplano sa mga katuyoan, pag-andam sa datos ug labaw sa tanan pagsulay sa modelo aron mapamatud-an ang pagkaepektibo niini ingon man ang bisan unsang posibilidad sa pag-uswag.

Kini nga proseso mahimong balik-balikon, balik-balikon sa makadaghang higayon uban ang tumong sa pagdugang og maayo ug tinuod nga mga elemento, sa matag pag-uli. Niining paagiha mahimo ka nga mas duol sa kamalaumon nga solusyon alang sa sunod nga mga lakang, pagpaayo sa pagbansay, pagpaayo sa pagsulay, ug busa ang makina.

Ang katapusan nga tumong mao ang kanunay sa paghimo sa usa ka modelo nga nahibalo sa kasaysayan data, nakasabut sa iyang lohika ug mga sumbanan, ug mao nga makahimo sa pagtagna sa resulta sa umaabot nga mga sitwasyon.

Ercole Palmeri: Naadik sa kabag-ohan