Q:
Kaip mašinų mokymosi profesionalai naudoja struktūrizuotą numatymą?
A:Mašinų mokymosi profesionalai naudoja struktūrizuotą numatymą įvairiais būdais, paprastai tam tikram tikslui ar problemai pritaikydami tam tikras mašininio mokymosi technikos formas, kurioms gali būti naudinga labiau suplanuota pradinė prognozės analizės pradžia.
Techninis struktūrizuoto numatymo apibrėžimas apima „struktūrinių objektų numatymą, o ne skaliarines atskiras ar tikras vertes“.
Kitas būdas pasakyti, kad užuot tiesiog matavę atskirus kintamuosius vakuume, struktūrizuotos prognozės veikia pagal tam tikros struktūros modelį ir naudojasi tuo kaip mokymosi bei prognozavimo pagrindu. (Perskaitykite, kaip PG gali padėti prognozuoti asmenybę?)
Struktūrizuoto prognozavimo metodai yra labai įvairūs - pradedant Bajeso metodais ir baigiant induktyviu loginiu programavimu, Markovo logikos tinklais ir struktūrizuotos paramos vektorių mašinomis ar artimiausių kaimynų algoritmais, mašininio mokymosi profesionalai turi platų įrankių rinkinį, taikomą duomenų problemoms spręsti.
Šiose idėjose įprasta naudoti tam tikras pagrindines struktūras, kuriomis iš esmės remiasi mašininio mokymosi darbas.
Ekspertai dažnai pateikia natūralaus kalbos apdorojimo idėją, kai kalbos dalys pažymimos kaip teksto struktūros elementai - kiti pavyzdžiai yra optinis simbolių atpažinimas, kai mašininio mokymosi programa atpažįsta ranka rašytus žodžius, analizuodama duoto įvesties segmentus arba sudėtingą vaizdą. apdorojimas, kai kompiuteriai išmoksta atpažinti objektus pagal segmentus, pvz., su daugybinių „sluoksnių“ konvoliuciniu nervų tinklu.
Ekspertai gali kalbėti apie linijinę kelių klasių klasifikaciją, linijinio suderinamumo funkcijas ir kitus pagrindinius metodus struktūrizuotoms prognozėms generuoti. Labai bendrąja prasme struktūrizuotos prognozės grindžiamos kitokiu modeliu nei platesniame prižiūrimo mašininio mokymosi lauke - grįždami prie struktūrizuotų numatymų natūralios kalbos apdorojimo ir pažymėtų fonemų ar žodžių pavyzdžio, matome, kad ženklinimo naudojimas prižiūrimas mašinų mokymasis yra orientuotas į patį struktūrinį modelį - prasmingą tekstą, kuris pateikiamas galbūt testų rinkiniuose ir treniruočių rinkiniuose.
Tada, kai mašinų mokymosi programa leidžiama laisvai atlikti savo darbą, ji grindžiama struktūriniu modeliu. Tai, pasak ekspertų, paaiškina tai, kaip programa supranta, kaip vartoti tokias kalbos dalis, kaip veiksmažodžiai, prieveiksmiai, būdvardžiai ir daiktavardžiai, o ne klaidinti jas su kitomis kalbos dalimis arba nesugebėti atskirti, kaip jos veikia globaliame kontekste . (Perskaitykite, kiek jūsų duomenys yra struktūrizuoti? Nagrinėjami struktūruoti, nestruktūruoti ir pusiau struktūruoti duomenys.)
Struktūrizuoto prognozavimo sritis išlieka pagrindine mašininio mokymosi dalimi, nes vystosi įvairūs mašininio mokymosi ir dirbtinio intelekto tipai.
