Определение пищевого машинного обучения

Основная концепция пищевая машина Обучение в области науки о данных включает использование методов статистического обучения и оптимизации, которые позволяют компьютерам анализировать наборы данных и выявлять закономерности (просмотрите визуальное представление машинного обучения по внешней ссылке R2D3). Методы машинного обучения используют интеллектуальный анализ данных для выявления исторических тенденций для обоснования будущих моделей.

Типичный алгоритм контролируемого машинного обучения состоит (примерно) из трех компонентов:

Процесс принятия решения: рецепт вычислений или других шагов, который принимает данные и возвращает «догадку» о типе закономерности в данных, которую пытается найти ваш алгоритм.
Функция ошибки: метод измерения точности предположения путем сравнения его с известными примерами (если они доступны). Был ли процесс принятия решения правильным? Если нет, то как вы можете количественно оценить, «насколько плох» был промах?
Процесс обновления или оптимизации: алгоритм смотрит на промах, а затем уточняет, как процесс принятия решения приходит к окончательному решению, чтобы в следующий раз промах не был таким большим.
Например, если вы создаете рекомендатель фильмов, процесс принятия решения вашим алгоритмом может учитывать, насколько данный фильм похож на другие фильмы, которые вы смотрели, и придумать систему взвешивания для различных функций.

В процессе обучения алгоритм просматривает фильмы, которые вы смотрели, и оценивает различные свойства. Это научно-фантастический фильм? Это смешно? Затем алгоритм проверяет, рекомендует ли он в конечном итоге фильмы, которые вы (или такие же люди, как вы) действительно смотрели. Если все сделано правильно, используемые веса останутся прежними; если он делает фильм неправильным, веса, которые привели к неправильному решению, отклоняются, чтобы он больше не совершал подобных ошибок.

Поскольку алгоритм машинного обучения обновляется автономно, аналитическая точность повышается с каждым запуском, поскольку он обучается на анализируемых данных. Этот итеративный характер обучения одновременно уникален и ценен, поскольку он происходит без вмешательства человека и дает возможность раскрывать скрытые идеи без специального программирования на это.

Если вы заинтересованы в нашей продукции, добро пожаловать на сайт. / .