Привет всем и добро пожаловать во вторую часть этой серии блогов, посвященную кратким определениям искусственного интеллекта и тому, когда использовать эти термины. Если вы отвечаете за проект, связанный с ИИ, и вам нужен обзор, или вам просто любопытно, но у вас нет времени углубляться в математические детали, вы попали на нужную статью!
Переходя от того, что было рассмотрено в предыдущем посте, где мы говорили о терминах Искусственный интеллект, Машинное обучение и Глубокое обучение, вот несколько новых терминов для расширения вашего словарного запаса по науке о данных:
- Модель. К сожалению, в науке о данных не все так гладко, потому что когда мы говорим «модель», Victoria’s Secret — это последнее, о чем мы думаем. Итак, вот что мы на самом деле имеем в виду, когда говорим «модель»: единицу, обладающую способностями к обучению. Если вы пишете код, использующий алгоритм машинного обучения, это модель.
Когда использовать: вы можете использовать его для обозначения «искусственного мозга», который был закодирован, например. «Ваша модель уже обучена?»
- Данные. Необработанная часть информации, которую можно использовать для анализа и выводов.
Когда использовать: когда речь идет о том, что вводится в вашу модель для ее обучения.
- Обучение: это определенно не означает посещение тренажерного зала в стране науки о данных! Вот как модель учится: изначально модель похожа на пустой мозг (не в буквальном смысле, а скорее на кусок кода, выводящий бессмысленные значения). Он представлен с данными. Модель настраивается в соответствии с этими данными, чтобы давать лучшие результаты. Этот этап адаптации известен как обучение.
Когда использовать: если кажется, что специалист по обработке и анализу данных отдыхает, а не работает, это, вероятно, потому, что его модель в настоящее время обучается (обучение требует времени и ресурсов компьютера. К счастью, есть способы обучить модель, не блокируя весь компьютер, что мы узнаем об этом в следующих статьях).
- Обучение с учителем: форма обучения машинному обучению, при которой обучение включает предоставление данных, содержащих как ожидаемые входные данные, так и ожидаемые выходные данные модели, чтобы она могла обучаться. Примером может быть предоставление времени года, погоды, а также температуры при создании модели, которая предсказывает температуру на основе данных о сезоне и погоде.
- Обучение без учителя. Противоположное обучению с учителем в том смысле, что ожидаемый результат не передается модели во время обучения. В то время как обычное использование обучения с учителем включает прогнозирование и классификацию, обучение без учителя больше подходит для поиска закономерностей в данных и упрощения визуализации данных.
Когда использовать: контролируемое и неконтролируемое обучение — это методы, используемые в машинном обучении, поэтому это зависит от того, как модель получает данные.
Так что это будут условия на сегодня, и я буду с нетерпением ждать встречи с вами в моем следующем посте, где я расскажу о нейронных сетях и предварительной обработке данных среди прочего!
Есть предпочтения или предложения по ключевым словам, которые вы хотите, чтобы я объяснил в следующем посте? Пожалуйста, напишите об этом в разделе комментариев, и я рассмотрю это. Кроме того, если вам нравятся эти статьи, пожалуйста, похлопайте им, чтобы другим было легче их найти. Я вернусь, чтобы опубликовать еще один пост из этой серии с новыми ключевыми словами, которые постепенно превратят вас в рок-звезду с искусственным интеллектом, а пока продолжайте проявлять любопытство, это здорово!