تعریف یادگیری ماشین غذا

مفهوم اساسی از دستگاه غذا یادگیری در علم داده شامل استفاده از روشهای یادگیری آماری و بهینه سازی است که به رایانه ها اجازه می دهد مجموعه داده ها را تجزیه و تحلیل کرده و الگوهای را شناسایی کنند (مشاهده تصویری از یادگیری ماشین از طریق پیوند خارجی R2D3). تکنیک های یادگیری ماشین برای شناسایی روندهای تاریخی برای اطلاع رسانی به مدل های آینده ، از داده کاوی استفاده می کنند.

الگوریتم یادگیری ماشین نظارت شده معمولی شامل سه مؤلفه (تقریباً) است:

یک فرآیند تصمیم گیری: دستور العمل محاسبات یا مراحل دیگری که در داده ها انجام می شود و "حدس" را در نوع الگوی موجود در داده های الگوریتم شما به دنبال یافتن می کند.
یک عملکرد خطا: روشی برای اندازه گیری حدس با مقایسه آن با مثالهای شناخته شده (در صورت موجود بودن) چقدر خوب بود. آیا روند تصمیم گیری آن را درست دریافت کرد؟ اگر اینطور نیست ، چگونه می توانید "چقدر بد" خانم را تعیین کنید؟
یک فرآیند به روزرسانی یا بهینه سازی: جایی که الگوریتم به خانم نگاه می کند و سپس چگونگی رسیدن روند تصمیم گیری به تصمیم نهایی را به روز می کند تا دفعه بعد که این خانم به اندازه عالی نباشد.
به عنوان مثال ، اگر شما در حال ایجاد یک توصیه کننده فیلم هستید ، روند تصمیم گیری الگوریتم شما ممکن است به این موضوع توجه کند که یک فیلم خاص با فیلم های دیگر که شما تماشا کرده اید مشابه است و برای ویژگی های مختلف سیستم وزنه برداری را ارائه می دهد.

در طی فرایند آموزش ، الگوریتم از طریق فیلم هایی که شما تماشا کرده اید و از ویژگی های مختلف استفاده می کند. آیا این یک فیلم علمی تخیلی است؟ خنده دار است؟ سپس این الگوریتم آزمایش می کند که آیا به پایان می رسد فیلم هایی را که شما (یا افرادی مانند شما) در واقع تماشا کرده اید ، توصیه می کند. اگر درست شود ، وزنهای استفاده شده به همان اندازه باقی می مانند. اگر این فیلم اشتباه شود ، وزنه هایی که منجر به تصمیم اشتباه شده است ، بنابراین دوباره این نوع اشتباه را نمی کند.

از آنجا که یک الگوریتم یادگیری ماشین به طور مستقل به روز می شود ، دقت تحلیلی با هر اجرا بهبود می یابد زیرا خود را از داده های مورد تجزیه و تحلیل می آموزد. این ماهیت تکراری یادگیری هم منحصر به فرد و هم ارزشمند است زیرا بدون مداخله انسانی رخ می دهد - امکان کشف بینش های پنهان را فراهم می کند بدون اینکه به طور خاص برای انجام این کار برنامه ریزی شود.

اگر به محصولات ما علاقه دارید ، از $ $ $ بازدید کنید / .