וואָס איז מאַשין לערנען, וואָס עס איז וועגן און זייַן אַבדזשעקטיווז

מאַשין לערנען איז אַ צווייַג פון קינסטלעך ינטעלליגענסע וואָס דילז מיט עמיאַלייטינג מענטש ריזאַנינג דורך געבן אַ מאַשין צו לערנען פון נאַטור און דעריבער פון היסטארישע דאַטן.

איידער לייענען דעם אַרטיקל מיר רעקאָמענדירן איר לייענען וואס איז די Data Science, וואָס עס טוט און מיט וואָס אַבדזשעקטיווז

איידער איר אַרייַן די סערוויס, אַ מאַשין אַנימאַטעד דורך אַ מאַשין לערנען אַלגערידאַם האט אַנדערגאָן אַ לערנען פאַסע, בעסער באקאנט ווי טריינינג. אין דעם פאַסע, די מאַשין שטודירט די היסטארישע דאַטן בנימצא.

איידער מיר גיין אין די מעריץ פון מאַשין לערנען, און די דיפעראַנסיז צווישן קלאַסיש פּראָגראַממינג און מאַשין לערנען, לאָמיר זען אַ ביישפּיל וואָס וועט זיכער העלפֿן אונדז פֿאַרשטיין בעסער.

מאַשין לערנען בייַשפּיל

רעכן מיר יבערגעבן אינפֿאָרמאַציע וועגן רייזע צייט אויף די מאָטאָרווייַ אין די בעסטער פאַרקער טנאָים צו איינער פון אונדזער מגילה, צו אָנווייַזן אַן אַלגערידאַם וואָס איז ביכולת צו ריספּאַנד צו אונדז ווי אויב עס איז געווען אַ קול אַסיסטאַנט.

פֿאַר יעדער וועג מיר יבערגעבן די פאלגענדע אינפֿאָרמאַציע צו די אַלגערידאַם:

1. אָרט פון אָפּפאָר און אָרט פון אָנקומען
2. גענוצט מיטל פון אַריבערפירן, ספּעציפיצירן דיספּלייסמאַנט און טיפּ פון מאָטאָר (עלעקטריק, כייבריד, דיעסעל, אאז"ו ו)
3. גאַנץ אַרומפאָרן צייַט

אַזוי דורך קול אַסיסטאַנט מיר וועלן זאָגן די מאַשין:

• פון טורין צו מילאַן מיט אַ 1000 קק מאַשין און פּעטראָול מיר געפארן 1 שעה און 20 מינוט
• פון טורין צו מילאַן מיר געפארן 2000 מינוט מיט אַ 50 קק מאַשין און פּעטראָול
• פון טורין צו מילאַן מיר געפארן 2000 מינוט מיט אַ 40 קק עלעקטריש מאַשין
• פון טורין צו מילאַן מיר געפארן 1200 מינוט אויף אַ 50 קק פּעטראָול מאָוטערבייק
• … און אזוי ווייטער …

ווי מיר האָבן קאַמיונאַקייטיד די דאַטן דורך קול אַסיסטאַנט, אונדזער פּראָגראַם וועט קאָרמען אַ טיש פון דעם טיפּ:

לעסאָף, אויב אונדזער מאַשין איז אַנימאַטעד דורך אַ מאַשין לערנען אַלגערידאַם, עס וועט האָבן געלערנט פון די אינפֿאָרמאַציע צוגעשטעלט, און דעריבער פאָרויסזאָגן אַ רעזולטאַט אין די פאָרעם פון אַרומפאָרן צייט. מיר קענען דעריבער פרעגן אַ קשיא צו אונדזער פּראָגראַם: "פון טורין צו מילאַן מיט אַ 1000 קק מאַשין און דיזאַל ... ווי לאַנג נעמט עס?"

דער ביישפּיל איז נישט זייער פּינטלעך, אָבער גאַנץ רעאַליסטיש. אָבער, עס העלפּס צו סאַמערייז די ציל פון מאַשין לערנען.

נעמען ינספּיראַציע פון ​​דעם בייַשפּיל, לאָזן אונדז פּרובירן צו זען די חילוק צווישן קלאַסיש פּראָגראַממינג און מאַשין לערנען.

וואָס וואָלט פּאַסירן אין קלאַסיש פּראָגראַממינג

טראַדישאַנאַלי, דער פּראָגראַמיסט וואָס שרייבט קלאַסיש קאָד מוזן:

1. סאָלווע די פּראָבלעם געשטעלט צו אים;
2. שרייַבן אַ "דיטיילד" אַלגערידאַם פֿאַר סאַלווינג די פּראָבלעם;
3. שרייַבן די קאָד וואָס ימפּלאַמאַנץ די אַלגערידאַם;
4. פּרובירן די געשריבן קאָד און באַשטעטיקן אַז עס אַרבעט ריכטיק.

דערנאָך דער מענטש ס סייכל איז געניצט צו שרייַבן די פּראָגראַם קאָד וואָס קענען סאָלווע די פּראָבלעם.

אין דעם פאַל, דער פּראָגראַמיסט וועט האָבן צו טראַכטן וועגן אַ סיסטעם פֿאַר אַרטשיווינג און סטראַקטשערינג די אינפֿאָרמאַציע באקומען. דערנאָך, ווען דער אָפּעראַטאָר פון די אַפּלאַקיישאַן, געשריבן מיט קלאַסיש פּראָגראַממינג, פרעגט די קשיא, די מאַשין וועט ריספּאַנד מיט די קלאָוסאַסט באַוווסט אינפֿאָרמאַציע, רובֿ ענלעך צו די אַרטשיוועד.

וואָס כאַפּאַנז אין מאַשין לערנען

אין מאַשין לערנען, עס איז דיקינסטלעך סייכל פון די פּראָגראַם וואָס איז ביכולת צו לערנען די היסטארישע דאַטן, צו שאַפֿן די מאָדעל צו זיין געווענדט צו סאָלווע דעם פּראָבלעם, און לעסאָף די מאַשין מאכט די מאָדעל בנימצא צו די פּראָגראַמיסט.

אין אַ מאַשין אַנימאַטעד דורך מאַשין לערנען, די פּראָגראַם לערנט זיך אַליין צו פאָרויסזאָגן רייזע צייט, ווייַל איידער ער קומט אין דינסט, די מאַשין איז דורכגעגאנגען דורך אַ לערנען פאַסע. אַזוי די מאַשין האט געלערנט צו ריספּאַנד מיט די מערסט גלייַך אינפֿאָרמאַציע, קלאָוסאַסט צו פאַקט באזירט אויף די לאָגיק דיקטייטיד און ינטערפּראַטאַד דורך די מאָדעל.

אין מאַשין לערנען, דער מאָדעל ווערט די האַרץ פון דעם פּראָצעס. אַמאָל דזשענערייטאַד און געבילדעט, עס קענען זיין געהאלטן בנימצא. יעדער נייַע אָנפֿרעג מיט נייַע דאַטן, פון דער זעלביקער פֿאָרמאַט ווי די וואָס איז געניצט פֿאַר טריינינג, וועט פּראָדוצירן אַ נייַע רעזולטאַט.

און דער דאַטן געלערנטער?

די ראָלע פון ​​די דאַטאַ ססיענטיסט ענדערונגען אַ ביסל, ד"ה ער וועט האָבן צו באַגלייטן די פּראָגראַם צו דער דור פון די מאָדעל, דורך די טריינינג פאַסע. צו טאָן דאָס, ער וועט זיין פאַראַנטוואָרטלעך פֿאַר טשוזינג די סטראַטעגיעס, פּלאַנירונג אַבדזשעקטיווז, פּריפּערינג די דאַטן און העכער אַלע טעסטינג די מאָדעל צו באַשטעטיקן זייַן יפעקטיוונאַס און קיין פּאַסאַבילאַטיז פֿאַר פֿאַרבעסערונג.

דעם פּראָצעס קען זיין יטערייטיד, ריפּיטיד עטלעכע מאָל מיט די ציל צו לייגן ימפּרוווינג און פאַקטיש עלעמענטן, מיט יעדער יטעראַטיאָן. אין דעם וועג איר קענען באַקומען נעענטער צו די אָפּטימאַל לייזונג אין סאַבסאַקוואַנט סטעפּס, ימפּרוווינג די טריינינג, ימפּרוווינג די פּראָבע, און דעריבער די מאַשין.

דער לעצט ציל איז שטענדיק צו שאַפֿן אַ מאָדעל וואָס ווייסט די היסטארישע דאַטן, האט פארשטאנען זייַן לאָגיק און פּאַטערנז, און איז דעריבער ביכולת צו פאָרויסזאָגן די אַוטקאַם פון צוקונפֿט סיטואַטיאָנס.

Ercole Palmeri: כידעש אַדיקטיד