Как профессионалы машинного обучения используют структурированные прогнозы? Eval (ez_write_tag ([[320,50], techopedia_com-under_page_title, ezslot_8,242,0,0]));

Содержание

Q:

Как профессионалы машинного обучения используют структурированные прогнозы?

A:

Специалисты по машинному обучению используют структурированное прогнозирование множеством способов, как правило, применяя некоторую форму техники машинного обучения к конкретной цели или проблеме, которая может получить выгоду от более упорядоченной начальной точки для прогнозного анализа.

Техническое определение структурного прогнозирования включает «прогнозирование структурированных объектов, а не скалярных дискретных или реальных значений».

Другой способ сказать, что структурированные прогнозы вместо простого измерения отдельных переменных в вакууме работают на основе модели конкретной структуры и используют ее в качестве основы для обучения и прогнозирования. (Читайте, как AI может помочь в прогнозировании личности?)

Методы структурного прогнозирования широко варьируются - от байесовских методов до программирования с использованием индуктивной логики, сетей Маркова и логических машин структурированных опорных векторов или алгоритмов ближайшего соседа. Специалисты по машинному обучению имеют в своем распоряжении широкий набор инструментов для решения проблем с данными.

Общим в этих идеях является использование некоторой базовой структуры, на которой по сути основана работа машинного обучения.

Эксперты часто дают идею обработки естественного языка, где части речи помечены для представления элементов структуры - другие примеры включают в себя оптическое распознавание символов, где программа машинного обучения распознает рукописные слова путем анализа сегментов заданного ввода или сложной обработки изображений где компьютеры учатся распознавать объекты на основе сегментированного ввода, например, с помощью сверточной нейронной сети, состоящей из множества «слоев».

Эксперты могут говорить о линейной мультиклассовой классификации, функциях линейной совместимости и других базовых методах для создания структурированных предсказаний. В самом общем смысле структурированные предсказания основаны на другой модели, нежели более широкая область контролируемого машинного обучения - чтобы вернуться к примеру структурированных предсказаний в обработке естественного языка и помеченных фонем или слов, мы видим, что использование маркировки для контролируемое машинное обучение ориентировано на саму структурную модель - смысл, который поставляется, возможно, в тестовых наборах и учебных наборах.

Затем, когда программа машинного обучения освобождается для выполнения своей работы, она основывается на структурной модели. Это, по словам экспертов, объясняет некоторые из того, как программа понимает, как использовать такие части речи, как глаголы, наречия, прилагательные и существительные, вместо того, чтобы принимать их за другие части речи или не в состоянии различить, как они работают в глобальном контексте. , (Прочитайте, как структурированы ваши данные? Изучение структурированных, неструктурированных и полуструктурированных данных.)

Область структурного прогнозирования остается ключевой частью машинного обучения по мере развития различных типов машинного обучения и искусственного интеллекта.