قبل از خواندن این مقاله توصیه می کنیم حتما بخوانید چیست Data Science، چه کاری و با چه اهدافی انجام می دهد
ماشینی که توسط یک الگوریتم یادگیری ماشین متحرک شده است، قبل از ورود به سرویس، یک مرحله یادگیری را پشت سر گذاشته است که یادگیری است که بیشتر به عنوان آموزش شناخته می شود. در این مرحله ماشین داده های تاریخی موجود را مطالعه می کند.
قبل از پرداختن به مزیتهای یادگیری ماشین و تفاوتهای بین برنامهنویسی کلاسیک و یادگیری ماشین، بیایید مثالی را ببینیم که مطمئناً به درک بهتر ما کمک میکند.
فرض کنید ما اطلاعات مربوط به زمان سفر در بزرگراه را در بهترین شرایط ترافیکی به یکی از برنامه های خود مخابره می کنیم تا الگوریتمی را آموزش دهیم که می تواند مانند یک دستیار صوتی به ما پاسخ دهد.
برای هر مسیر اطلاعات زیر را به الگوریتم ارسال می کنیم:
سپس از طریق دستیار صوتی به دستگاه خواهیم گفت:
همانطور که ما داده ها را از طریق دستیار صوتی انتقال داده ایم، برنامه ما جدولی از این نوع را تغذیه می کند:
در نهایت اگر ماشین ما توسط یک الگوریتم یادگیری ماشین متحرک شده باشد، از اطلاعات ارائه شده یاد گرفته است و بنابراین نتیجه ای را در قالب زمان سفر پیش بینی می کند. بنابراین می توانیم یک سوال از برنامه خود بپرسیم: "از تورین تا میلان با 1000 ماشین و دیزل ... چقدر طول می کشد؟"
مثال نادرست است، اما بیشتر واقع بینانه است. اما به خلاصه کردن هدف یادگیری ماشین کمک می کند.
با استفاده از مثال، بیایید سعی کنیم تفاوت بین برنامه نویسی کلاسیک و یادگیری ماشین را ببینیم.
به طور سنتی، برنامه نویسی که کد کلاسیک می نویسد باید:
سپس از هوش انسان برای نوشتن کد برنامه استفاده می شود که می تواند مشکل را حل کند.
در این حالت برنامه نویس باید به فکر سیستمی برای ذخیره و ساختاردهی اطلاعات دریافتی باشد. متعاقباً، هنگامی که اپراتور برنامه، که با برنامهنویسی کلاسیک نوشته شده است، سؤال را مطرح میکند، دستگاه با نزدیکترین اطلاعات شناخته شده، بیشتر شبیه به اطلاعات ذخیرهشده، پاسخ میدهد.
در یادگیری ماشین، آن استهوش مصنوعی این برنامه قادر است داده های تاریخی را مطالعه کند، مدلی را ایجاد کند که برای حل مشکل استفاده شود و در نهایت ماشین مدل را در دسترس برنامه نویس قرار می دهد.
در ماشینی که توسط یادگیری ماشین متحرک شده است، برنامه به تنهایی میآموزد که زمان سفر را پیشبینی کند، زیرا قبل از ورود به سرویس، ماشین یک مرحله یادگیری را پشت سر گذاشته است. سپس ماشین یاد گرفته است که با منطقی ترین اطلاعات، نزدیک ترین به واقعیت، بر اساس منطق دیکته و تفسیر شده توسط مدل، پاسخ دهد.
در یادگیری ماشینی، مدل به قلب فرآیند تبدیل می شود. پس از تولید و آموزش، می توان آن را در دسترس نگه داشت. هر پرس و جو جدید با داده های جدید، با همان قالبی که برای آموزش استفاده می شود، نتیجه جدیدی ایجاد می کند.
نقش دانشمند داده اندکی تغییر می کند، یعنی باید برنامه را در مرحله آموزش تا تولید مدل همراهی کند. برای انجام این کار، او مسئول انتخاب استراتژی ها، برنامه ریزی اهداف، تهیه داده ها و بالاتر از همه آزمایش مدل برای تأیید اثربخشی آن و همچنین هرگونه امکان بهبود خواهد بود.
این فرآیند می تواند تکرار شود، چندین بار با هدف افزودن عناصر بهبود یافته و واقعی به هر تکرار تکرار شود. به این ترتیب می توانید به راه حل بهینه برای مراحل بعدی، بهبود آموزش، بهبود تست و در نتیجه ماشین نزدیکتر شوید.
هدف نهایی همیشه ایجاد مدلی است که داده های تاریخی را بشناسد، منطق و الگوهای آن را درک کند و بنابراین بتواند نتیجه موقعیت های آینده را پیش بینی کند.
Ercole Palmeri: معتاد به نوآوری
مایکروسافت اکسل ابزار مرجع برای تجزیه و تحلیل داده ها است، زیرا ویژگی های بسیاری را برای سازماندهی مجموعه داده ها ارائه می دهد.
Walliance، سیمکارت و پلتفرم در میان پیشتازان اروپا در زمینه سرمایهگذاری جمعی املاک و مستغلات از سال 2017، تکمیل…
Filament یک چارچوب توسعه لاراول "شتاب یافته" است که چندین مولفه تمام پشته را ارائه می دهد. طراحی شده است تا فرآیند…
من باید برگردم تا تکامل خود را کامل کنم: خودم را در کامپیوتر فرافکنی می کنم و به انرژی خالص تبدیل می شوم. پس از استقرار در…
Google DeepMind نسخه بهبودیافته ای از مدل هوش مصنوعی خود را معرفی می کند. مدل جدید بهبود یافته نه تنها…
لاراول که به دلیل نحو زیبا و ویژگی های قدرتمندش معروف است، همچنین پایه ای محکم برای معماری مدولار فراهم می کند. آنجا…
سیسکو و Splunk به مشتریان کمک می کنند تا سفر خود را به مرکز عملیات امنیتی (SOC) آینده با…
باج افزار در دو سال گذشته بر اخبار غالب بوده است. اکثر مردم به خوبی می دانند که حملات…