Q:
Как профессионалы машинного обучения используют структурированные прогнозы?
A:Специалисты по машинному обучению используют структурированное прогнозирование множеством способов, как правило, путем применения тех или иных техник машинного обучения к определенной цели или проблеме, которые могут получить выгоду от более упорядоченной отправной точки для прогнозного анализа.
Техническое определение структурного прогнозирования включает «прогнозирование структурированных объектов, а не скалярных дискретных или реальных значений».
Другой способ сказать, что структурированные прогнозы вместо простого измерения отдельных переменных в вакууме работают на основе модели конкретной структуры и используют ее в качестве основы для обучения и прогнозирования. (Читайте, как AI может помочь в прогнозировании личности?)
Методы структурного прогнозирования широко варьируются - от байесовских методов до программирования с использованием индуктивной логики, сетей Маркова и логических машин структурированных опорных векторов или алгоритмов ближайшего соседа. Специалисты по машинному обучению имеют в своем распоряжении широкий набор инструментов для решения проблем с данными.
Общим в этих идеях является использование некой базовой структуры, на которой по сути основывается работа машинного обучения.
Эксперты часто дают идею обработки на естественном языке, где части речи помечены для представления элементов текстовой структуры - другие примеры включают оптическое распознавание символов, когда программа машинного обучения распознает рукописные слова путем анализа сегментов заданного ввода или сложного изображения. обработка, при которой компьютеры учатся распознавать объекты на основе сегментированного ввода, например, с помощью сверточной нейронной сети, состоящей из множества «слоев».
Эксперты могут говорить о линейной мультиклассовой классификации, функциях линейной совместимости и других базовых методах для создания структурированных предсказаний. В самом общем смысле структурированные предсказания основаны на другой модели, нежели более широкая область контролируемого машинного обучения - чтобы вернуться к примеру структурированных предсказаний в обработке естественного языка и помеченных фонем или слов, мы видим, что использование маркировки для контролируемое машинное обучение ориентировано на саму структурную модель - содержательный текст, который поставляется, возможно, в тестовых наборах и учебных наборах.
Затем, когда программа машинного обучения освобождается для выполнения своей работы, она основывается на структурной модели. Это, по словам экспертов, объясняет, каким образом программа понимает, как использовать такие части речи, как глаголы, наречия, прилагательные и существительные, вместо того, чтобы принимать их за другие части речи или не в состоянии различать, как они работают в глобальном контексте., (Прочитайте, как структурированы ваши данные? Изучение структурированных, неструктурированных и полуструктурированных данных.)
Область структурного прогнозирования остается ключевой частью машинного обучения по мере развития различных типов машинного обучения и искусственного интеллекта.
