РУКОВОДСТВО ПО ОСНОВАМ
Основы машинного обучения
Машинное обучение создает модели, поведение которых определяется примерами, а не полностью записано в виде явных правил.
Прослушайте это руководствоОзвучено ИИ · ~2 min
На этой странице2 минуты чтения
Обзор
Полезная модель должна выполнять поставленную задачу на новых входных данных. Запоминание набора данных или проведение впечатляющей демонстрации — недостаточное доказательство этой способности.
Ключевые выводы
- Определите задачу перед архитектурой.
- Сравните с простой базовой линией.
- Оцените сбои и последующие последствия.
Глубокое погружение
Начните с конкретного прогнозирования или задачи поддержки принятия решений. Прогнозирование числа — это регрессия; присвоение категории является классификацией. Группировка немаркированных примеров — это кластеризация. Создание нового текста или изображений имеет разные цели и методы оценки. Избегайте выбора модной архитектуры до определения результата. Практический рабочий процесс включает сбор, подготовку, подбор модели, оценку, развертывание и мониторинг. Ошибки могут возникнуть на любом этапе. Модель, обученная на правильно сформированных записях, может дать сбой, когда производственная служба меняет единицы измерения или меняет местами два входных столбца. Прежде чем приспосабливать сложную модель, установите базовый уровень. Для прогнозирования предыдущее значение может быть полезным базовым уровнем; для классификации наиболее распространенный класс обеспечивает минимальное сравнение. Базовый уровень показывает, дает ли дополнительная сложность полезную информацию. Используйте обучающие примеры для соответствия параметрам и отдельные примеры для оценки производительности. Не допускайте повторной настройки окончательного тестового набора. Выбирайте метрики, отражающие последствия ошибок, и проверяйте реальные неудачные случаи. Система, которая в среднем работает хорошо, может оказаться непригодной для использования в редких, но важных случаях.
04Рабочий пример
Превысьте базовый уровень, прежде чем добавлять сложность
Создайте игрушечный набор данных из 80 обычных сообщений и 20 срочных сообщений. Обычное предсказание всегда дает 80% точности.
Модель с рейтингом 82% может принести мало пользы, если она по-прежнему пропускает самые срочные сообщения.
Подсчитайте правильно идентифицированные срочные сообщения и неправильно переданные обычные сообщения. Решите, какой компромисс соответствует реальному рабочему процессу.
Что это показывает
Эти наглядные подсчеты показывают, как базовые показатели и показатели, специфичные для задачи, делают оценку более информативной.
Реальная реализация
Прогнозируйте ежедневный спрос на основе исторических наблюдений.
Сортируйте документы по заранее определенным категориям, используя помеченные примеры.
Применение на практике
Почему это важно
- Более четкие решения. Это поможет вам отделить четкие технические заявления от маркетингового языка.
- Стоимость и бюджет. Вы можете задать более эффективные вопросы по реализации, прежде чем тратить деньги или время.
- Команда и рабочий процесс. Команды с общим пониманием принимают более эффективные решения по продуктам, политике и обучению.
Следите за
- Разные команды могут использовать один и тот же термин по-разному, поэтому заранее определите масштаб.
- Тесты могут выглядеть сильными, в то время как реальная производительность неравномерна.
- Игнорирование качества данных и планов оценки часто приводит к нестабильным результатам.
Следующие шаги
- Начните с простого определения желаемого результата.
- Перед тестированием выберите один показатель успеха и одно условие отказа.
- Запустите небольшой пилотный проект с репрезентативными данными, а не отточенный демонстрационный набор.
- Документируйте, где помогают основы машинного обучения и где более простые методы лучше.
Источники и дальнейшее чтение
Продолжайте исследовать
Бесплатная рассылка
Получайте ежедневный AI-обзор
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Take the Machine Learning Basics quiz
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Часто задаваемые вопросы
Каждая ли система искусственного интеллекта использует машинное обучение?
Нет. Некоторые системы полагаются на явные правила, поиск, оптимизацию или комбинации изученных и запрограммированных компонентов.
Продолжайте учиться
Связанные руководства
Другие руководства, выбранные по этой теме