Treść książki
Przejdź do opcji czytnikaPrzejdź do nawigacjiPrzejdź do informacjiPrzejdź do stopki
Paradygmatprogramistyczny
Tradycyjneoprogramowaniebudowanejestpoprzezzakodowaniepewnychreguł
wtrakciepisaniaokreślonegoprogramu.Jeślitworzymysystemwsparciaklientów,
musimywnimuwzględnićcałąlogikę,którapowinnanastąpićpozgłoszeniuprob-
lemuprzezklienta(naprzykładpowiadomieniedziałuwsparciapoprzezemail).
Dokumentujemywszystkiereguły,następnieumieszczamyjewnaszymprogramie,
poczympublikujemyoprogramowanie.
Uczeniemaszynowejednakodwracatenparadygmat.Zamiastkodowaniareguł
nastałewnaszymsystemie,dostarczamydostateczniewieleprzykładówdanych
wejściowychipożądanychwyników(etykiet),pozostawiającalgorytmowiMLzbu-
dowaniezbioruregułwnaszymimieniu.Choćtakiepodejściebyłobynieefektywne
przybudowaniusystemupomocydlaklientów,sprawdzasiędoskonalewpewnych
scenariuszach,gdzieregułyniesąznanealbotrudnojeopisać.Dlaprzykładu,jeśli
chcemypriorytetyzowaćżądaniapomocytechnicznejnapodstawiewieluróżnych
cech,takichjaktekstżądania,typklientaidatautworzeniategożądania,algorytm
MLmożedojśćdomodelupriorytetyzowania,poprostuprzeglądającprzydzielanie
priorytetówwcześniejszym(historycznym)żądaniom.Zamiastręcznegokonstru-
owaniaskomplikowanejlogikiif-then-else,algorytmMLustalijąsamodzielnie,
mającdostateczniedużoczasuizasobówobliczeniowych.
Wyszukiwaniewzorcówwdanych
Przywyszukiwaniuużytecznychwzorcówwdanychwspólnieużywanesątrzy
ważnekoncepcje:algorytm,trenowanieorazmodel.ModelMLtozbiórregułlub
funkcjamatematyczna,którapozwalaobliczyćwartośćwyjściowądlakonkretnych
danychwejściowych.Możnaotymmyślećjakoowielkimstosieważonychinstruk-
cjiif-then-else.AlgorytmMLopisujeprocesobliczeniowy,którymmaszynamusi
podążać,abydojśćdotegomodelu.Zaśtermintrenowanieoznaczawielokrotne
iteracjepoprzezistniejącyzbiórdanych,abyznaleźćnajlepszymożliwymodeldla
tegokonkretnegozbioru.Modeltenpowiniendawaćzarównoniewielkibłądpro-
gnozowania,jakidobreuogólnieniedlanowych,nieznanychwcześniejdanychwej-
ściowych,abymógłzostaćwykorzystanydookreślonegozastosowania.
Określonezastosowanie
ZadaniaMLsątypowokategoryzowanewedługproblemów,którepróbująrozwią-
zać.Główneobszarytouczenienadzorowane(supervised)inienadzorowane(un-
supervised).ChoćksiążkataniezajmujesiępodstawamiML,omówimyjenieco
bardziejszczegółowowrozdziale3.
Jeśliuwzględnimywszystkieteskładniki,zadaniepraktykaMLwrzeczywistejsytuacjipo-
leganazebraniutakwieludanychdotyczącychinteresującegonaszagadnienia,jaktojest
praktyczniemożliwe,wybranieidostrojeniealgorytmuwceluzbudowaniamodeludla
tejsytuacji,poczymwytrenowaniemodeluwystarczającodokładnego,abybyłużyteczny.
UzyskanieintuicyjnegozrozumieniaAIiuczeniamaszynowego
|
15