Paano ginagamit ng mga propesyonal sa pag-aaral ng machine ang nakabalangkas na hula? eval (ez_write_tag ([[320,50], techopedia_com-under_page_title, ezslot_8,242,0,0]);

Nilalaman

T:

Paano ginagamit ng mga propesyonal sa pag-aaral ng machine ang nakabalangkas na hula?

A:

Ang mga propesyonal sa pagkatuto ng makina ay gumagamit ng nakabalangkas na hula sa isang buong karamihan ng mga paraan, karaniwang sa pamamagitan ng paglalapat ng ilang anyo ng diskarte sa pag-aaral ng makina sa isang partikular na layunin o problema na maaaring makinabang mula sa isang higit na iniutos na panimulang punto para sa mapaghulaang pagtatasa.

Ang isang teknikal na kahulugan ng nakabalangkas na paghula ay nagsasangkot ng "paghula ng mga nakabalangkas na bagay sa halip na scalar discrete o tunay na mga halaga."

Ang isa pang paraan upang sabihin na iyon ay sa halip na sukatin lamang ang mga indibidwal na variable sa isang vacuum, nakabalangkas na mga hula ang gumana mula sa isang modelo ng isang partikular na istraktura, at gagamitin iyon bilang batayan sa pag-aaral at paggawa ng mga hula. (Basahin Paano Makakatulong ang AI sa Prediksyon ng Pagkatao?)

Ang mga pamamaraan para sa nakabalangkas na hula ay malawak na variable - mula sa mga diskarte sa Bayesian hanggang sa inductive logic programming, Markov logic network at nakabalangkas na suporta vector machine o pinakamalapit na algorithm ng kapitbahay, ang mga propesyonal sa pag-aaral ng machine ay may malawak na toolet sa kanilang pagtatapon upang mag-aplay sa mga problema sa data.

Ang pangkaraniwan sa mga ideyang ito ay ang paggamit ng ilang pinagbabatayan na istraktura na ang gawaing pag-aaral ng makina ay itinatag sa likas.

Kadalasang binibigyan ng mga eksperto ang ideya ng natural na pagproseso ng wika, kung saan ang mga bahagi ng pagsasalita ay naka-tag upang kumatawan sa mga elemento ng isang istraktura - kasama ang iba pang mga halimbawa ng pagkilala sa optical character, kung saan kinikilala ng isang machine learning program ang mga sulat-kamay na mga salita sa pamamagitan ng pag-parse ng mga segment ng isang naibigay na input, o kumplikadong pagproseso ng imahe , kung saan natututo ang mga computer na kilalanin ang mga bagay batay sa naka-segment na input, halimbawa, na may koneksyon na neural network na binubuo ng maraming "mga layer."

Maaaring pag-uusapan ng mga eksperto ang tungkol sa linear na pag-uuri ng multiclass, mga pag-andar ng pagiging tugma sa linear at iba pang mga pamamaraan ng batayan para sa pagbuo ng mga nakaayos na mga hula. Sa isang napaka-pangkalahatang kahulugan, nakabalangkas na mga hula ang bumubuo sa isang iba't ibang modelo kaysa sa mas malawak na larangan ng pangangasiwa ng pag-aaral ng makina - upang bumalik sa halimbawa ng nakabalangkas na mga hula sa natural na pagproseso ng wika at na-tag na mga phonemes o mga salita, nakita namin na ang paggamit ng label para sa ang pinangangasiwaang pag-aaral ng makina ay nakatuon sa istrukturang modelo mismo - ang makabuluhan na ibinibigay, marahil sa mga set ng pagsubok at mga set ng pagsasanay.

Pagkatapos, kapag ang programa ng pag-aaral ng machine ay hayaan ang paggawa ng trabaho nito, na itinatag sa modelo ng istruktura. Iyon, sabi ng mga eksperto, ipinapaliwanag ang ilan sa kung paano nauunawaan ng programa kung paano magamit ang mga bahagi ng pagsasalita tulad ng mga pandiwa, pang-abay, pang-uri at pangngalan, sa halip na mapagkamalang ito para sa iba pang mga bahagi ng pagsasalita, o hindi magagawang makilala kung paano sila gumagana sa isang pandaigdigang con . (Basahin Kung Paano Ang Istraktura Ay Iyong Data? Nasusuri ang Nakabalangkas, Hindi Nakabalangkas at Semi-Istrukturang Data.)

Ang larangan ng nakabalangkas na hula ay nananatiling isang mahalagang bahagi ng pag-aaral ng makina dahil ang iba't ibang uri ng pag-aaral ng makina at artipisyal na intelektwal na umuusbong.