![Ako odborníci na strojové učenie používajú štruktúrovanú predpoveď? Eval (ez_write_tag ([[320,50], techopedia_com-under_page_title, ezslot_8,242,0,0])); - Technológie](https://a.continuousdev.com/technology/how-do-machine-learning-professionals-use-structured-prediction-evalez_write_tag32050techopedia_com-under_page_titleezslot_824200.png "Ako odborníci na strojové učenie používajú štruktúrovanú predpoveď? Eval (ez_write_tag ([[320,50], techopedia_com-under_page_title, ezslot_8,242,0,0])); - Technológie")
Obsah
Q:
Ako odborníci na strojové učenie používajú štruktúrovanú predpoveď?
A:
Odborníci na strojové učenie používajú štruktúrovanú predikciu celým radom spôsobov, zvyčajne aplikovaním určitej formy techniky strojového učenia na konkrétny cieľ alebo problém, z ktorého môže ťažiť lepšie usporiadaný východiskový bod pre prediktívnu analýzu.
Technická definícia štruktúrovanej predikcie zahŕňa „predpovedanie štruktúrovaných objektov skôr ako skalárne diskrétne alebo skutočné hodnoty“.
Iným spôsobom, ako to povedať, by bolo, že namiesto jednoduchého merania jednotlivých premenných vo vákuu fungujú štruktúrované predpovede z modelu konkrétnej štruktúry a používajú ich ako základ pre učenie a vytváranie predpovedí. (Prečítajte si, ako môže AI pomôcť pri predpovedi osobnosti?)
Techniky štruktúrovanej predikcie sú značne variabilné - od bayesovských techník po induktívne logické programovanie, Markovove logické siete a štruktúrované podporné vektorové stroje alebo algoritmy najbližších susedov. Odborníci na strojové učenie majú k dispozícii širokú sadu nástrojov, ktoré sa dajú použiť na problémy s údajmi.
Čo je spoločné v týchto myšlienkach, je použitie určitej základnej štruktúry, na ktorej je strojové učenie založené prirodzene.
Odborníci často podávajú predstavu o spracovaní prirodzeného jazyka, kde sú časti reči označené tak, aby reprezentovali prvky štruktúry - medzi ďalšie príklady patrí optické rozpoznávanie znakov, kde strojový učiaci program rozpoznáva rukou písané slová analyzovaním segmentov daného vstupu alebo komplexné spracovanie obrazu. , kde sa počítače učia rozpoznávať objekty na základe segmentovaného vstupu, napríklad s konvolučnou neurónovou sieťou zloženou z mnohých „vrstiev“.
Odborníci môžu hovoriť o lineárnej klasifikácii viacerých tried, funkciách lineárnej kompatibility a ďalších základných technikách na generovanie štruktúrovaných predpovedí. Vo veľmi všeobecnom zmysle štruktúrované predpovede stavajú na inom modeli ako širšia oblasť strojového učenia pod dohľadom - aby sme sa vrátili k príkladu štruktúrovaných predpovedí pri spracovávaní prirodzeného jazyka a označených fonémov alebo slov, vidíme, že použitie označenia pre strojové učenie pod dohľadom je orientované na samotný štrukturálny model - zmysluplný, ktorý sa dodáva, možno v testovacích súboroch a školiacich súboroch.
Potom, keď sa program strojového učenia uvoľní, aby vykonal svoju prácu, je založený na štrukturálnom modeli. Odborníci tvrdia, že to vysvetľuje, ako program chápe, ako využiť časti reči, ako sú slovesá, príslovky, prídavné mená a podstatné mená, skôr ako ich zamieňať za iné časti reči, alebo nie je schopný rozlíšiť, ako pracujú v globálnom kontexte. , (Prečítajte si, ako sú štruktúrované vaše údaje? Skúmate štruktúrované, neštruktúrované a pološtrukturované údaje.)
Oblasť štruktúrovanej predikcie zostáva kľúčovou súčasťou strojového učenia, pretože sa vyvíjajú rôzne typy strojového učenia a umelej inteligencie.