Q:
Як професіонали машинного навчання використовують структуроване прогнозування?
A:Професіонали машинного навчання використовують структуроване прогнозування безліччю способів, як правило, застосовуючи певну форму машинного навчання до певної мети чи проблеми, яка може скористатися більш упорядкованою відправною точкою для прогнозного аналізу.
Технічне визначення структурованого прогнозування передбачає "прогнозування структурованих об'єктів, а не скалярних дискретних чи реальних значень".
Інший спосіб сказати, що це замість того, щоб просто вимірювати окремі змінні у вакуумі, структуровані прогнози працюють за моделлю певної структури, і використовувати це як основу для вивчення та прогнозування. (Прочитайте, як AI може допомогти в прогнозуванні особистості?)
Методи структурованого прогнозування широко мінливі - від байєсівських методик до індуктивного логічного програмування, логічних мереж Маркова та структурованих машин підтримки вектора або алгоритмів найближчих сусідів, професіонали машинного навчання мають у своєму розпорядженні широким набором інструментів для застосування до проблем даних.
Що в цих ідеях спільне - це використання якоїсь основної структури, на якій по суті заснована машина машинного навчання.
Експерти часто дають уявлення про природну обробку мови, де частини мови позначені тегами, що представляють елементи текстової структури - інші приклади включають оптичне розпізнавання символів, де програма машинного навчання розпізнає слова, написані від руки, розбираючи сегменти заданого вводу або складне зображення обробка, де комп'ютери вчаться розпізнавати об'єкти на основі сегментованого введення, наприклад, з згорнутою нейронною мережею, що складається з багатьох "шарів".
Експерти можуть говорити про лінійну багатокласну класифікацію, функції лінійної сумісності та інші базові методи для формування структурованих прогнозів. У дуже загальному сенсі структуровані прогнози будуються на іншій моделі, ніж ширша сфера контрольованого машинного навчання - щоб повернутися до прикладу структурованих прогнозів в природній обробці мови та позначених фонем або слів, ми бачимо, що використання маркування для контрольоване машинне навчання орієнтоване на саму структурну модель - змістовний текст, який подається, можливо, в тестові набори та навчальні набори.
Потім, коли програму машинного навчання не дозволяють виконувати свою роботу, вона заснована на структурній моделі. Це, на думку експертів, пояснює те, як програма розуміє, як використовувати частини мови, як дієслова, прислівники, прикметники та іменники, замість того, щоб їх помиляти з іншими частинами мови чи не в змозі розрізнити, як вони працюють у глобальному контексті . (Прочитайте, як структуровані ваші дані? Вивчення структурованих, неструктурованих та напівструктурованих даних.)
Сфера структурованого прогнозування залишається ключовою частиною машинного навчання, оскільки розвиваються різні типи машинного навчання та штучного інтелекту.
