Orijinal: Daniel Tunkelang
Annie Quora'dan derlendi
Qubit Üretildi | Genel Hesap QbitAI
Baba, makine öğrenimi nedir?
Cevap vermek zor! Saçları dökülmeye başlayan kafayı kaşımayan baba, bu sorundan hala bayıldı. Bu biraz akademik soru nasıl cevaplanır?
Geçenlerde Bilgisayar Bilimleri Doktora Daniel Tunkelang, Quora'da bu soruyu cevapladı
Makine öğreniminde sınıflandırma problemi ile başlayıp, hangi yiyeceklerin lezzetli, hangilerinin tatsız olduğunu bilgisayara öğretmek bizim için daha iyidir.
İnsanların aksine, bilgisayarların ağzı yoktur ve yiyeceklerin tadına bakamazlar. Bu nedenle, bilgisayara çok sayıda gıda örneği (etiketli eğitim verileri) öğretmemiz gerekiyor. Bu örnekte, lezzetli yiyecekler (olumlu vakalar) ve iğrenç (olumsuz vakalar) var. İşaretli her örnek için, bilgisayara yiyeceği (özelliği) tanımlamanın bir yolunu sunuyoruz.
Olumlu örnekler, çikolatalı dondurma, pizza, çilek vb. Gibi "lezzetli" olarak işaretlenir. Hamsi, brokoli ve Brüksel lahanası gibi olumsuz durumlar "iğrenç" olarak etiketlenir.
Gerçek bir makine öğrenimi sisteminde daha fazla eğitim verisine ihtiyacınız olabilir, ancak 3 olumlu ve 3 olumsuz örnek kavramı anlamamız için yeterli.
Şimdi, bazı özelliklere ihtiyacımız var. Bu örnekleri tatlı, tuzlu ve sebzenin üç özelliği olarak da koyabilirsiniz: İkili özelliklerinden dolayı, her yiyeceğin her özelliğine "evet" veya "hayır" değeri atanır.
Bu eğitim verileriyle bilgisayarın işi, verilerden bir formül (model) özetlemektir. Bu sayede yeni yemekle karşılaştığında modele göre yemeğin lezzetli mi yoksa iğrenç mi olduğuna karar verebiliyor.
Modellerden biri nokta sistemidir (doğrusal model). Her özelliğe sahipseniz, belirli bir puan (ağırlık) alacaksınız, eğer sahip değilseniz, puanınız olmayacak. Ardından, model nihai puanı almak için yiyeceğin puanlarını toplar.
Modelde bir kesme noktası vardır.Eğer puan kesme noktasından yüksekse, model yiyeceğin lezzetli olduğuna karar verir; puan kesme noktasından düşükse, tatsız olarak değerlendirilir.
Eğitim verilerine göre modeldeki özellik noktaları tatlı için 3 puan, tuzlu için 1 puan, çıtır için 1 puan ve sebzeler için -1 puan olarak ayarlanabilir. Modelde çikolatalı dondurma, pizza, çilek, hamsi, brokoli ve Brüksel lahanası puanları şu şekilde:
Ağırlık, kesme noktasının seçilmesini kolaylaştırır, çünkü pozitif vakaların puanı 2 ve negatif vakaların puanı 1'dir.
Ağırlıkları ve kesme noktalarını doğru bulmak her zaman kolay değildir. Bulsanız bile, sadece bu eğitim verileri için uygun bir model elde edebilirsiniz, ancak yeni örnekler kullandığımızda model etkisi o kadar iyi değildir (aşırı uyum).
İdeal model, eğitim verilerinde yalnızca yüksek bir doğruluk oranına sahip olmakla kalmaz, aynı zamanda yeni durumlarda (genelleme) hala etkilidir. Genel olarak, basit modelleri genellemek karmaşık modellere (Occam'ın usturası) göre daha kolaydır.
Doğrusal modelleri kullanamayız ve bu aynı zamanda karar ağaçları oluşturmanın iyi bir yoludur. Karar ağacında sadece "evet" ve "hayır" ile cevaplanabilecek sorular sorabilirsiniz.
Eğitim verileriyle karar ağacını doğru bir şekilde elde etmek zor değildir.Bu örnekte eğitim verileri şu şekilde kullanılmaktadır:
Bu bir sebze mi?
Eğer öyleyse, tatsızdır.
Değilse, tatlı mı?
Öyleyse lezzetlidir.
Değilse, gevrek mi?
Öyleyse lezzetlidir.
Değilse, tadı kötüdür.
Doğrusal modellerde olduğu gibi, aşırı uyum konusunda endişelenmemiz ve karar ağacını fazla derinleştirmememiz gerekir. Yani bu, sonunda eğitim verilerimizde hatalar yapacak, ancak yeni verilere daha iyi genelleme yapabilecek bir model olabileceği anlamına gelir.
Umarım çocuklar bu makine öğreniminin açıklamasını anlayabilirler ~
Son olarak, orijinal adres (lütfen bilime dikkat edin):
https://www.quora.com/How-do-you-explain-machine-learning-to-a-child/answer/Daniel-Tunkelang
- Bitiş -
Samimi işe alım
Qubit, editörleri / muhabirleri işe alıyor ve merkezi Pekin, Zhongguancun'da bulunuyor. Yetenekli ve hevesli öğrencilerin bize katılmasını dört gözle bekliyoruz! Ayrıntılar için, lütfen QbitAI diyalog arayüzünde "işe alım" kelimesiyle yanıt verin.
Qubit QbitAI
' ' Yapay zeka teknolojisi ve ürünlerindeki yeni eğilimleri takip edin