Hoe gebruiken professionals in machine learning gestructureerde voorspelling? eval (ez_write_tag ([[320,50], techopedia_com-under_page_title, ezslot_8,242,0,0]));

Inhoud

• Q:
• EEN:

Q:

Hoe gebruiken professionals in machine learning gestructureerde voorspelling?

EEN:

Professionals in machine learning gebruiken gestructureerde voorspelling op een hele reeks manieren, meestal door een vorm van machine learning-techniek toe te passen op een bepaald doel of probleem dat kan profiteren van een beter geordend startpunt voor voorspellende analyse.

Een technische definitie van gestructureerde voorspelling omvat "het voorspellen van gestructureerde objecten in plaats van scalaire discrete of reële waarden."

Een andere manier om dat te zeggen is dat in plaats van eenvoudigweg individuele variabelen in een vacuüm te meten, gestructureerde voorspellingen werken vanuit een model van een bepaalde structuur, en dat gebruiken als basis voor leren en voorspellingen doen. (Lees hoe kan AI helpen bij het voorspellen van persoonlijkheid?)

De technieken voor gestructureerde voorspelling zijn zeer variabel - van Bayesiaanse technieken tot inductieve logische programmering, Markov logische netwerken en gestructureerde ondersteunende vectormachines of algoritmen voor de naaste buur, machine learning professionals hebben een brede toolset tot hun beschikking om toe te passen op gegevensproblemen.

Wat gebruikelijk is in deze ideeën is het gebruik van een onderliggende structuur waarop het machine learning-werk inherent is gebaseerd.

Experts geven vaak het idee van natuurlijke taalverwerking, waarbij delen van spraak worden getagd om elementen van een structuur weer te geven - andere voorbeelden zijn optische karakterherkenning, waarbij een machine learning programma handgeschreven woorden herkent door segmenten van een gegeven invoer te parseren, of complexe beeldverwerking , waar computers leren objecten te herkennen op basis van gesegmenteerde invoer, bijvoorbeeld met een convolutioneel neuraal netwerk dat bestaat uit vele 'lagen'.

Experts kunnen praten over lineaire classificatie van meerdere klassen, lineaire compatibiliteitsfuncties en andere basistechnieken voor het genereren van gestructureerde voorspellingen. In zeer algemene zin bouwen gestructureerde voorspellingen voort op een ander model dan het bredere gebied van begeleide machine learning - om terug te keren naar het voorbeeld van gestructureerde voorspellingen in natuurlijke taalverwerking en getagde fonemen of woorden, zien we dat het gebruik van de labels voor begeleide machine learning is gericht op het structurele model zelf - de betekenis die wordt geboden, misschien in testsets en trainingssets.

Dan, wanneer het machine learning programma wordt losgelaten om zijn werk te doen, is het gebaseerd op het structurele model. Dat, zeggen experts, verklaart een deel van hoe het programma begrijpt hoe delen van spraak zoals werkwoorden, bijwoorden, bijvoeglijke naamwoorden en zelfstandige naamwoorden kunnen worden gebruikt, in plaats van ze te verwarren met andere delen van spraak, of niet te kunnen onderscheiden hoe ze werken in een wereldwijde context . (Lees hoe gestructureerd uw gegevens zijn? Gestructureerde, ongestructureerde en semi-gestructureerde gegevens onderzoeken.)

Het gebied van gestructureerde voorspelling blijft een belangrijk onderdeel van machine learning naarmate verschillende soorten machine learning en kunstmatige intelligentie evolueren.