РЪКОВОДСТВО по основи

Основи на машинното обучение

Машинното обучение изгражда модели, чието поведение е монтирано от примери, а не е написано изцяло като изрични правила.

Чуйте това ръководствоAI-разказан · ~2 min

Започнете да чететеНаправете теста
На тази страница2 минути четене
  1. Преглед
  2. Основни изводи
  3. Дълбоко гмуркане
  4. Победете базовата линия, преди да добавите сложност
  5. Внедряване в реалния свят
  6. Прилагайки го на практика
  7. Източници и допълнителна литература
  8. Продължете да изследвате
  9. Често задавани въпроси

Преглед

Един полезен модел трябва да изпълнява предвидената задача при нови входове. Запомнянето на набор от данни или създаването на впечатляваща демонстрация не е достатъчно доказателство за тази способност.

Основни изводи

  1. Дефинирайте задачата преди архитектурата.
  2. Сравнете с проста базова линия.
  3. Оценете неуспехите и последствията надолу по веригата.

Дълбоко гмуркане

Започнете с конкретно предвиждане или задача за подпомагане на вземането на решения. Прогнозирането на число е регресия; присвояването на категория е класификация. Групирането на немаркирани примери е групиране. Генерирането на нов текст или изображения има различни цели и методи за оценка. Избягвайте да избирате модерна архитектура, преди да определите изхода. Практическият работен процес включва събиране на данни, подготовка, монтиране на модела, оценка, внедряване и мониторинг. Грешки могат да възникнат на всеки етап. Модел, обучен върху добре оформени записи, може да се провали, когато производствена услуга промени единици или размени две входни колони. Установете базова линия, преди да монтирате сложен модел. За прогнозиране предишната стойност може да бъде полезна базова линия; за класификация, най-често срещаният клас осигурява минимално сравнение. Базовата линия разкрива дали допълнителната сложност допринася с полезна информация. Използвайте примери за обучение, за да напаснете параметри и отделни примери, за да оцените ефективността. Пазете последния тестов набор от многократна настройка. Изберете показатели, които отразяват последствията от грешки, и проверете действителните неуспешни случаи. Система, която работи средно добре, все още може да бъде неизползваема в редки, но съществени случаи.

04Работен пример

Победете базовата линия, преди да добавите сложност

  1. Конструирайте набор от данни за играчки с 80 обикновени съобщения и 20 спешни съобщения. Винаги прогнозирането на обикновените дава 80% точност.

  2. Модел с резултат 82% може да добави малка стойност, ако все още пропуска повечето спешни съобщения.

  3. Преброяване на правилно идентифицирани спешни съобщения и неправилно ескалирани обикновени съобщения. Решете кой компромис отговаря на действителния работен процес.

Какво показва

Тези илюстративни преброявания показват как базовото ниво и специфичните за задачата показатели правят оценката по-информативна.

Внедряване в реалния свят

Прогнозирайте ежедневното търсене от исторически наблюдения.

Сортирайте документите в предварително дефинирани категории, като използвате етикетирани примери.

Прилагайки го на практика

Защо има значение

  • По-ясни решения. Помага ви да отделите ясните технически твърдения от маркетинговия език.
  • Разходи и бюджет. Можете да задавате въпроси за по-добро внедряване, преди да харчите пари или време.
  • Екип и работен процес. Екипи със споделено разбиране вземат по-добри решения за продукти, политики и обучение.

Внимавайте за

  • Различните екипи могат да използват един и същи термин по различен начин, така че дефинирайте обхвата рано.
  • Бенчмарковете могат да изглеждат силни, докато производителността в реалния свят е неравномерна.
  • Пренебрегването на качеството на данните и плановете за оценка често създава крехки резултати.

Следващи стъпки

  1. Започнете с дефиниция на обикновен език за резултата, от който се нуждаете.
  2. Изберете един показател за успех и едно условие за неуспех преди тестване.
  3. Изпълнете малък пилотен проект с представителни данни, а не изпипан демонстрационен набор.
  4. Документирайте къде Основите на машинното обучение помагат и къде по-простите методи са по-добри.

Източници и допълнителна литература

  1. GoogleВъведение в машинното обучение

Продължете да изследвате

Какво е AI?

Вземете основните понятия, преди да се гмурнете по-дълбоко.Прочетете ръководството

Как AI учи

Разберете процеса на обучение зад съвременните системи.Прочетете ръководството

Безплатен бюлетин

Получавайте дневния AI бюлетин

Три проверени AI истории всяка делнична сутрин, написани на достъпен език. Безплатно завинаги, без реклами.

Един имейл всеки делничен ден. Отписване с едно кликване. Никога не продаваме и не споделяме вашия имейл адрес.

Тествайте себе си

Take the Machine Learning Basics quiz

Незабавна обратна връзка за всеки отговор и сертификат за споделяне с подлежащ на проверка идентификационен номер, след като преминете курс.

Стартирай теста

Подкрепете безплатното AI образование. AI Understanding е 501(c)(3) с нестопанска цел — без реклами, без платен достъп, никога. Направете дарение

Често задавани въпроси

Всяка AI система използва ли машинно обучение?

Не. Някои системи разчитат на изрични правила, търсене, оптимизация или комбинации от научени и програмирани компоненти.

Продължавай да учиш

Свързани ръководства

Още ръководства, избрани за тази тема

Получете безплатен AI сертификатКратък безплатен курс и изпит. Без разходи, без карта. Около 2,5 часа.Започнете безплатно →