Clár na nÁbhar[Folaigh][Taispeáin]
Tá an domhan ag athrú go tapa mar gheall ar intleacht shaorga, agus foghlaim meaisín, a bhfuil tionchar acu ar gach gné dár saol laethúil.
Ó chúntóirí gutha a úsáideann NLP agus meaisínfhoghlaim chun coinní a chur in áirithe, breathnú ar imeachtaí ar ár bhféilire, agus ceol a sheinm chuig gléasanna atá chomh cruinn sin gur féidir leo ár gcuid riachtanas a réamh-mheas sula ndéanaimid iad a mheas fiú.
Is féidir le ríomhairí fichille a imirt, máinliacht a dhéanamh, agus forbairt a dhéanamh ina n-innill níos cliste agus níos cosúil le daoine le cabhair ó halgartaim meaisínfhoghlama.
Táimid in am an dul chun cinn leanúnach teicneolaíochta, agus trí fheiceáil conas a d'fhorbair ríomhairí le himeacht ama, is féidir linn tuar a dhéanamh ar cad a tharlóidh amach anseo.
Tá daonlathú uirlisí agus modhanna ríomhaireachta ar cheann de na príomhghnéithe den réabhlóid seo a sheasann amach. Eolaithe sonraí tá ríomhairí cumhachtacha mionbhrú sonraí cruthaithe acu le cúig bliana anuas trí mhodheolaíochtaí ceannródaíocha a chur i bhfeidhm gan stró. Tá na torthaí iontach.
Sa phost seo, déanfaimid breathnú go géar ar foghlaim meaisín halgartaim agus a n-éagsúlachtaí go léir.
Mar sin, cad iad halgartaim Machine Learning?
Algartam meaisínfhoghlama a thugtar ar an gcur chuige a úsáideann an córas AI chun a thasc a chomhlíonadh — go ginearálta, luachanna aschuir ó shonraí ionchuir tugtha a thuar.
Is próiseas é algartam meaisínfhoghlama a úsáideann sonraí agus a úsáidtear chun samhlacha meaisínfhoghlama a chruthú atá réidh le táirgeadh. Más í an mheaisínfhoghlaim an traein a dhéanann post, is iad na halgartaim mheaisínfhoghlama na hinnill a bhogann an obair ar aghaidh.
Cinnfear an cur chuige meaisínfhoghlama is fearr le húsáid ag an bhfadhb gnó a bhfuil tú ag iarraidh aghaidh a thabhairt uirthi, an cineál tacar sonraí atá á úsáid agat, agus na hacmhainní atá ar fáil agat.
Is éard is halgartaim meaisínfhoghlama ann ná na cinn a dhéanann múnla de thacar sonraí. Ag brath ar an gcineál faidhbe a bhfuil tú ag iarraidh a fhreagairt, is féidir go n-éireoidh go maith leis an gcumhacht phróiseála atá ar fáil, agus an cineál sonraí atá agat, a bhfuil maoirsiú, gan mhaoirseacht nó halgartaim foghlama treisithe agat.
Mar sin, labhair muid faoi fhoghlaim faoi mhaoirseacht, faoi mhaoirseacht agus faoi fhoghlaim treisithe, ach cad iad? Déanaimis iniúchadh orthu.
Foghlaim faoi Mhaoirseacht, Gan Mhaoirseacht & Neartú
Foghlaim faoi Mhaoirseacht
San fhoghlaim faoi mhaoirseacht, forbraítear an tsamhail AI bunaithe ar an ionchur a cuireadh ar fáil agus ar an lipéad a sheasann don toradh tuartha. Bunaithe ar na hionchuir agus na haschuir, forbraíonn an tsamhail cothromóid léarscáilithe, agus ag baint úsáide as an chothromóid léarscáilithe sin, déanann sé réamhaisnéis ar lipéad na n-ionchur amach anseo.
Ligean le rá ní mór dúinn múnla a chruthú ar féidir idirdhealú a dhéanamh idir madra agus cat. Cuirtear grianghraif iolracha de chait agus de mhadraí isteach sa mhúnla le lipéid a thugann le fios cé acu cait nó madraí iad chun an tsamhail a oiliúint.
Féachann an tsamhail le cothromóid a bhunú a bhaineann na lipéid ar na grianghraif ionchuir leis na híomhánna sin. Fiú mura bhfaca an tsamhail an íomhá riamh roimhe seo, tar éis oiliúna, is féidir a aithint cé acu cat nó madra é.
Foghlaim gan mhaoirsiú
Is éard atá i gceist le foghlaim gan mhaoirseacht ná múnla AI a oiliúint ar ionchuir amháin gan iad a lipéadú. Roinneann an tsamhail na sonraí ionchuir i ngrúpaí a bhfuil tréithe gaolmhara acu.
Déantar lipéad an ionchuir amach anseo a thuar ansin ag brath ar cé chomh gar agus a thagann a chuid tréithe le ceann de na haicmithe. Déan machnamh ar an gcás nach mór dúinn grúpa liathróidí dearga agus gorma a roinnt ina dhá chatagóir.
Glacaimid leis go bhfuil tréithe eile na liathróidí comhionann, cé is moite den dath. Ar bhonn an chaoi ar féidir leis na liathróidí a roinnt ina dhá rang, féachann an tsamhail na saintréithe atá difriúil idir na liathróidí.
Táirgtear dhá chnuasach liathróid - ceann amháin gorm agus ceann dearg - nuair a roinntear na liathróidí ina dhá ghrúpa bunaithe ar a n-lí.
Foghlaim Athneartaithe
I bhfoghlaim athneartaithe, féachann an tsamhail AI leis an mbrabús iomlán a uasmhéadú trí ghníomhú chomh maith agus is féidir i gcúinsí áirithe. Cuidíonn aiseolas ar na torthaí roimhe seo leis an tsamhail foghlaim.
Smaoinigh ar an gcás ina dtugtar treoir do róbat bealach a roghnú idir pointí A agus B. Roghnaíonn an róbat ceachtar de na cúrsaí ar dtús toisc nach bhfuil aon taithí roimhe sin aige.
Faigheann an róbat ionchur ar an mbealach a thógann sé agus faigheann sé eolas uaidh. Is féidir leis an róbat ionchur a úsáid chun an cheist a réiteach an chéad uair eile a thagann sé trasna ar imthosca comhchosúla.
Mar shampla, má roghnaíonn an róbat rogha B agus má fhaigheann sé luach saothair, amhail aiseolas dearfach, tuigeann sé an uair seo go gcaithfidh sé bealach B a roghnú chun a luach saothair a mhéadú.
Anois ar deireadh cad a bhfuil tú go léir ag fanacht, na halgartaim.
Mór-halgartaim Foghlama Meaisín
1. Aischéimniú Líneach
Is é an cur chuige meaisínfhoghlama is simplí a chlaonann ón bhfoghlaim faoi mhaoirseacht ná aischéimniú líneach. Leis an eolas ó athróga neamhspleácha, úsáidtear é den chuid is mó chun saincheisteanna aischéimniúcháin a réiteach agus chun tuartha a chruthú ar athróga spleácha leanúnacha.
Tá sé mar aidhm ag an gcúlchéimniú líneach líne an oiriúnaithe is fearr a aimsiú, a chuideoidh le toradh na n-athróg spleách leanúnach a thuar. Is samplaí iad praghsanna tithe, aois agus pá de luachanna leanúnacha.
Úsáideann samhail ar a dtugtar aischéimniú líneach simplí líne dhíreach chun an nasc idir athróg neamhspleách amháin agus athróg spleách amháin a ríomh. Tá níos mó ná dhá athróg neamhspleácha san aischéimniú líneach iolrach.
Tá ceithre bhonn tuisceana ag samhail aischéimniúcháin líneach:
- Líneacht: Tá nasc líneach idir X agus meán Y.
- Homoscedasticity: I gcás gach luacha de X, is ionann an t-athraitheas iarmharach.
- Neamhspleáchas: Tá tuairimí neamhspleácha ar a chéile.
- Normalacht: Nuair a shocraítear X, déantar Y a dháileadh de ghnáth.
Feidhmíonn aischéimniú líneach go hiontach do shonraí is féidir a dheighilt feadh línte. Is féidir leis rófheisteas a rialú trí úsáid a bhaint as teicnící rialtachta, tras-bhailíochtaithe agus laghdaithe toise. Mar sin féin, tá cásanna ann ina bhfuil gá le gné-innealtóireacht fhairsing, rud a d’fhéadfadh rófheisteas agus torann a bheith mar thoradh air ó am go chéile.
2. Aischéimniú Loighistic
Teicníc meaisínfhoghlama eile is ea aischéimniú lóistíochta a imíonn ón bhfoghlaim faoi mhaoirseacht. Is é an príomhúsáid atá aige ná aicmiú, agus is féidir é a úsáid freisin le haghaidh fadhbanna cúlchéimnithe.
Úsáidtear aischéimniú lóistíochta chun an athróg spleách chatagóireach a thuar ag baint úsáide as an bhfaisnéis ó na fachtóirí neamhspleácha. Is é an sprioc ná aschuir a rangú, nach féidir ach titim idir 0 agus 1.
Déantar iomlán ualaithe na n-ionchur a phróiseáil ag an bhfeidhm sigmoid, feidhm gníomhachtaithe a thiontaíonn luachanna idir 0 agus 1.
Is é bunús an aischéimnithe lóistíochta ná meastachán uasdóchúlachta, modh chun paraiméadair dáilte dóchúlachta toimhdithe a ríomh i bhfianaise sonraí sonracha breathnaithe.
3. Crann Cinnidh
Modh meaisínfhoghlama eile a scarann as an bhfoghlaim faoi mhaoirseacht ná an crann cinntí. Maidir le saincheisteanna aicmithe agus aischéimnithe araon, is féidir an cur chuige crann cinntí a úsáid.
Úsáideann an uirlis cinnteoireachta seo, atá cosúil le crann, léirithe amhairc chun torthaí ionchasacha, costais agus iar-iarmhairtí gníomhartha a thaispeáint. Trí na sonraí a roinnt ina gcodanna ar leith, tá an smaoineamh ar aon dul le haigne an duine.
Roinneadh na sonraí i gcodanna ar leith a oiread agus a d'fhéadfaimis iad a ghránú. Is é príomhchuspóir Crann Cinntí ná múnla oiliúna a thógáil ar féidir é a úsáid chun aicme na sprice athróg a thuar. Is féidir luachanna ar iarraidh a láimhseáil go huathoibríoch ag baint úsáide as an gCrann Cinnidh.
Níl aon cheanglas maidir le hionchódú aon-lámhaigh, athróga caocha, ná céimeanna réamhchóireála sonraí eile. Tá sé docht sa chiall go bhfuil sé deacair sonraí úra a chur leis. Má fuair tú sonraí lipéadaithe breise, ba cheart duit an crann a athoiliúint ar an tacar sonraí iomlán.
Mar thoradh air sin, is droch-rogha iad crainn chinnidh d’aon iarratas a éilíonn athrú dinimiciúil sa tsamhail.
Bunaithe ar an gcineál athróg sprice, aicmítear crainn chinnidh i dhá chineál:
- Athróg Chatagóireach: Crann Cinnidh ina bhfuil an athróg sprice ina catagóir Chatagóireach.
- Athróg Leanúnach: Crann Cinnidh ina bhfuil an athróg sprice Leanúnach.
4. Foraoise Randamach
Is é an Modh Foraoise Randamach an chéad teicníc meaisínfhoghlama eile agus is algartam foghlama meaisín maoirsithe é a úsáidtear go forleathan i saincheisteanna aicmithe agus aischéimnithe. Is modh crann-bhunaithe é freisin, cosúil le crann cinnidh.
Úsáideann an modh foraoise randamach foraois crann, nó go leor crann cinnteoireachta, chun breithiúnais a dhéanamh. Agus tascanna aicmithe á láimhseáil, d’úsáid an modh foraoise randamach athróga catagóireacha agus tascanna aischéimniúcháin á láimhseáil le tacair shonraí a raibh athróga leanúnacha iontu.
Is é ensemble, nó meascán de go leor samhlacha, a dhéanann an modh foraoise randamach, rud a chiallaíonn go ndéantar tuar ag baint úsáide as grúpa samhlacha seachas ceann amháin.
Is príomhbhuntáiste don fhoraois randamach é an cumas a úsáid le haghaidh fadhbanna aicmithe agus aischéimniúcháin, arb é atá iontu formhór na gcóras meaisínfhoghlama nua-aimseartha.
Úsáideann Ensemble dhá straitéis dhifriúla:
- Bagging: Trí seo a dhéanamh, táirgtear níos mó sonraí don tacar sonraí oiliúna. Chun an éagsúlacht sna réamhaisnéisí a laghdú, déantar é seo.
- Is éard is treisiú ann ná an próiseas chun foghlaimeoirí laga a chomhcheangal le foghlaimeoirí láidre trí mhúnlaí comhleanúnacha a thógáil, rud a fhágann go mbíonn an tsamhail deiridh le cruinneas uasta.
5. Naive Bayes
Is féidir saincheist aicmithe dhénártha (dhá rang) agus ilaicme a réiteach trí úsáid a bhaint as teicníc Naive Bayes. Nuair a mhínítear an modh ag baint úsáide as luachanna ionchuir dhénártha nó catagóir, is simplí é a thuiscint. Glactar leis ag aicmitheoir Naive Bayes nach bhfuil aon tionchar ag gné amháin in aicme ar láithreacht aon ghnéithe eile.
Léiríonn an fhoirmle thuas:
- P(H): An dóchúlacht go bhfuil hipitéis H ceart. Tagraítear don réamhdhóchúlacht mar seo.
- P(E): Dóchúlacht na fianaise
- P(E|H): An dóchúlacht go dtacóidh an fhianaise leis an hipitéis.
- P(H|E): An dóchúlacht go bhfuil an hipitéis fíor, i bhfianaise na fianaise.
Chuirfeadh aicmitheoir Naive Bayes gach ceann de na tréithe seo san áireamh ina n-aonar agus an dóchúlacht go mbeidh toradh áirithe á chinneadh, fiú má tá na tréithe seo nasctha lena chéile. Tá samhail Naive Bayesian simplí le tógáil agus éifeachtach do thacair shonraí mhóra.
Is eol go bhfeidhmíonn sé níos fearr ná fiú na teicnící catagóirithe is casta agus é bunúsach. Is bailiúchán halgartaim é atá bunaithe go léir ar Theoirim Bayes, seachas ar mhodh amháin.
6. K-Na Comharsana is gaire
Is fo-thacar de mheaisín-fhoghlaim maoirsithe í an teicníc K-comharsana is gaire (kNN) ar féidir a úsáid chun aghaidh a thabhairt ar shaincheisteanna aicmithe agus aischéimnithe. Glactar leis san algartam KNN gur féidir rudaí inchomparáide a fháil in aice láimhe.
Is cuimhin liom é mar chruinniú de dhaoine ar aon intinn. Baineann kNN leas as smaoineamh an chosúlachta idir pointí sonraí eile agus úsáid á baint as cóngaracht, cóngaracht nó fad. Chun na sonraí neamhfheicthe a lipéadú bunaithe ar na pointí sonraí inbhraite lipéadaithe is gaire, úsáidtear modh matamaitice chun an deighilt idir pointí ar ghraf a chinneadh.
Ní mór duit an fad idir na pointí sonraí a chinneadh chun na spotaí inchomparáide is gaire duit a shainaithint. Is féidir ciantomhais ar nós an fad Eoiclídeach, fad Hamming, fad Manhattan, agus fad Minkowski a úsáid chuige seo. Is é an K a thugtar ar an uimhir chomharsa is gaire, agus is minic a bhíonn sé ina chorruimhir.
Is féidir KNN a chur i bhfeidhm ar fhadhbanna aicmithe agus aischéimnithe. Tá an réamh-mheastachán a dhéantar nuair a úsáidtear KNN le haghaidh saincheisteanna aischéimnithí bunaithe ar mheán nó ar airmheán na dteagmhas K-is cosúla.
Is féidir toradh algartam aicmithe atá bunaithe ar KNN a chinneadh mar an rang leis an minicíocht is airde i measc na K tarluithe is cosúla. Go bunúsach caitheann gach cás vóta dá rang, agus baineann an tuar leis an aicme is mó vótaí.
7. K-ciallaíonn
Teicníc í don fhoghlaim gan mhaoirseacht a thugann aghaidh ar shaincheisteanna cnuasaithe. Roinntear tacair sonraí i líon áirithe braislí — glaoimid orainn é K — sa chaoi is go mbíonn pointí sonraí gach braisle aonchineálach agus difriúil uathu siúd sna cnuasaigh eile.
K-ciallaíonn modheolaíocht braisle:
- I gcás gach braisle, roghnaíonn an t-algartam K-modhanna k lárionaid, nó pointí.
- Leis na lárionaid nó na braislí K is gaire, cruthaíonn gach pointe sonraí braisle.
- Anois, táirgtear centroids nua ag brath ar na baill braisle atá i láthair cheana féin.
- Ríomhtar an fad is gaire do gach pointe sonraí ag baint úsáide as na lárionaid nuashonraithe seo. Go dtí nach n-athraíonn na centroids, déantar an próiseas seo arís agus arís eile.
Tá sé níos tapúla, níos iontaofa, agus níos simplí a thuiscint. Má tá fadhbanna ann, déanann inoiriúnaitheacht k-modhanna na coigeartuithe simplí. Nuair a bhíonn na tacair sonraí leithleach nó scoite amach go maith óna chéile, is fearr na torthaí. Ní féidir leis sonraí earráideacha nó asluitigh a bhainistiú.
8. Tacaíocht Meaisíní Veicteoir
Agus an teicníc SVM in úsáid chun sonraí a rangú, taispeántar sonraí amh mar phonc i spás n-toiseach (áit a bhfuil n líon na ngnéithe atá agat). Is féidir na sonraí a rangú go héasca ansin toisc go bhfuil luach gach gné ceangailte ansin le comhordanáid ar leith.
Chun na sonraí a scaradh agus iad a chur ar ghraf, úsáid línte ar a dtugtar aicmitheoirí. Ceapann an cur chuige seo gach pointe sonraí mar phointe i spás n-tríthoiseach, áit arb é n líon na ngnéithe atá agat agus is luach sainiúil comhordanáidí luach gach gné.
Lorgóimid anois líne a roinneann na sonraí ina dhá thacar sonraí atá catagóirithe go difriúil. Is iad na fad slí ó na pointí is gaire i ngach ceann den dá ghrúpa is faide óna chéile feadh na líne seo.
Ós rud é gurb iad an dá phointe is gaire na cinn is faide ón líne sa sampla thuas, is í an lárlíne an líne a roinneann na sonraí isteach sa dá ghrúpa a rangaíodh go difriúil. Is é ár n-aicmitheoir an líne seo.
9. Laghdú Toise
Ag baint úsáide as an gcur chuige um laghdú toise, d’fhéadfadh go mbeadh níos lú athróg ionchuir ag sonraí oiliúna. I dtéarmaí simplí, tagraíonn sé don phróiseas a bhaineann le méid do shraith gné a laghdú. Samhlóimis go bhfuil 100 colún i do thacar sonraí; laghdóidh laghdú toise an méid sin go 20 colún.
Fásann an tsamhail níos sofaisticiúla go huathoibríoch agus tá baol níos mó ann go ndéanfaí rófheisteas de réir mar a mhéadaíonn líon na ngnéithe. Is í an tsaincheist is mó maidir le bheith ag obair le sonraí i toisí níos mó ná an rud ar a dtugtar “mallacht na toise,” a tharlaíonn nuair a bhíonn líon iomarcach tréithe i do shonraí.
Is féidir na heilimintí seo a leanas a úsáid chun méid a laghdú:
- Chun tréithe ábhartha a aimsiú agus a roghnú, úsáidtear roghnú gnéithe.
- Ag baint úsáide as gnéithe atá ann cheana féin, cruthaíonn innealtóireacht gné gnéithe nua de láimh.
Conclúid
Is féidir meaisínfhoghlaim gan mhaoirseacht nó faoi mhaoirseacht araon. Roghnaigh foghlaim faoi mhaoirseacht mura bhfuil do shonraí chomh flúirseach agus atá clib maith le haghaidh oiliúna.
Is minic a fheidhmeodh tacair mhóra sonraí agus go mbeadh torthaí níos fearr ag baint úsáide as foghlaim gan mhaoirseacht. Foghlaim domhain is fearr modhanna má tá bailiúchán mór sonraí agat atá ar fáil go héasca.
Foghlaim athneartaithe agus foghlaim threisithe dhomhain tá roinnt topaicí a ndearna tú staidéar orthu. Tá tréithe, úsáidí agus srianta líonraí néaracha soiléir duit anois. Ar deireadh, ach ní ar a laghad, rinne tú machnamh ar na roghanna le haghaidh teangacha ríomhchlárúcháin, IDEanna, agus ardáin éagsúla nuair a bhí sé i gceist agat do chuid féin a chruthú samhlacha foghlama meaisín.
Is é an chéad rud eile a chaithfidh tú a dhéanamh ná tosú ag staidéar agus ag baint úsáide as gach ceann acu foghlaim meaisín chuige. Fiú má tá an t-ábhar leathan, is féidir aon ábhar a thuiscint i gceann cúpla uair an chloig má dhíríonn tú ar a dhoimhneacht. Seasann gach ábhar ina aonar ó na cinn eile.
Caithfidh tú smaoineamh ar shaincheist amháin ag an am, staidéar a dhéanamh air, í a chur i bhfeidhm, agus do rogha teanga a úsáid chun an algartam(anna) a chur i bhfeidhm.
Leave a Reply