Definiția învățării alimentare alimentare

Conceptul de bază al Mașină alimentară Învățarea în știința datelor implică utilizarea metodelor statistice de învățare și optimizare care permit computerelor să analizeze seturi de date și să identifice tiparele (vizualizați o viziune a învățării automate prin intermediul legăturii externe R2D3). Tehnicile de învățare automată folosește extragerea datelor pentru a identifica tendințele istorice pentru a informa modelele viitoare.

Algoritmul tipic supravegheat de învățare automată este format din (aproximativ) trei componente:

Un proces de decizie: o rețetă de calcule sau alți pași care fac datele și returnează o „ghicire” la tipul de model din datele pe care algoritmul dvs. trebuie să le găsească.
O funcție de eroare: o metodă de măsurare a cât de bună a fost ghicitul prin compararea acesteia cu exemple cunoscute (când sunt disponibile). Procesul decizional a înțeles corect? Dacă nu, cum cuantificați „cât de rău” a fost dorul?
Un proces de actualizare sau optimizare: în cazul în care algoritmul privește ratarea și apoi actualizează modul în care procesul de decizie ajunge la decizia finală, astfel încât data viitoare când ratarea nu va fi la fel de mare.
De exemplu, dacă construiți un recomandator de film, procesul de decizie al algoritmului dvs. ar putea analiza cât de similar este un film dat cu alte filme pe care le -ați vizionat și ați venit cu un sistem de ponderare pentru diferite funcții.

În timpul procesului de antrenament, algoritmul trece prin filmele pe care le -ați vizionat și ponderați diferite proprietăți. Este un film de sci-fi? Este amuzant? Algoritmul testează apoi dacă ajunge să recomande filme pe care tu (sau oameni ca tine) le -ai vizionat de fapt. Dacă este corect, greutățile pe care le -a folosit rămân la fel; Dacă acesta greșește un film, greutățile care au dus la decizia greșită sunt respinse, astfel încât să nu mai facă din nou acest tip de greșeală.

Deoarece un algoritm de învățare automată se actualizează autonom, precizia analitică se îmbunătățește cu fiecare rulare, deoarece se învață din datele pe care le analizează. Această natură iterativă a învățării este atât unică, cât și valoroasă, deoarece apare fără intervenția umană - oferind capacitatea de a descoperi perspective ascunse fără a fi programat în mod specific pentru a face acest lucru.

Dacă sunteți interesat de produsele noastre, bine ați venit să vizitați / .