Часть 1. Опишите модель машинного обучения с точки зрения абстрактного мышления…
В этом году одной из моих целей по накоплению знаний является изучение машинного обучения (МО) и искусственного интеллекта (ИИ). Другими темами, которые вызывают у меня наибольший интерес, являются робототехника, автоматизация, распознавание речи/текста и т. д. На этот раз я решил сосредоточиться на машинном обучении, чтобы собрать концептуальные знания, а затем создать приложение-помощник, которое могло бы помочь в повседневной работе. Возможно, подумал я, ML/AI не такая надуманная тема, для начала которой требуются годы изучения математики. Возможно, ML/AI можно было бы сразу применить к нашим нынешним приложениям. Это то, что мы будем исследовать в этой многосерийной серии. В этой первой части мы опишем модель машинного обучения самым простым способом, указав элементы, необходимые для создания модели. Имейте в виду, что мы будем описывать их с точки зрения абстрактных частей, поэтому постарайтесь сосредоточиться не на номенклатуре каждой абстрактной части, а на функции с точки зрения других.
Определение машинного обучения
Итак, прежде всего, что такое машинное обучение? Согласно (https://github.com/topics/artificial-intelligence?l=javascript), машинное обучение (ML) — это:
Раздел компьютерных наук, занимающийся воспроизведением или имитацией человеческого интеллекта, самосознания, знаний, совести и мышления в компьютерных программах.
Требования к модели машинного обучения
Шаг 1. Понять бизнес-проблему (и определить успех) / цель (общая цель), намерения (нормальные тенденции / личность), сущности (переменные, вещи, которые меняются в зависимости от ситуации)
Шаг 2. Понять и идентифицировать данные: (динамический объект, динамическая среда источников данных)
Шаг 3. Соберите и подготовьте данные
Шаг 4. Определить характеристики модели и обучить ее
Шаг 5. Оцените производительность модели и установите ориентиры
Шаг 6. Запустите модель и убедитесь, что она хорошо работает
Шаг 7. Итерация и настройка модели (поддержка)
Текущая методология (приложение Assistant)
- объект (машина) служит слушателем/поглотителем информации (данных)
- источники обслуживают данные, новые и обновленные (в режиме реального времени)
- источники отправляют триггеры событий на объект (опросы/сообщения/уведомления/оповещения)
- объект также может запрашивать информацию и тратить время на получение информации из определенного источника (чтение/потоковая передача/ввод/переваривание)
- также могут происходить фоновые обновления информации (асинхронное чтение данных, аналогично обновлениям, которые происходят в фоновом режиме, лучше всего, когда другие процессы/использование памяти невелики, может быть обновление информации, которая должна измениться, для сохранения точности)
- объект сопоставляет данные соответственно на основе схемы NoSQL/реляционной базы данных
-т.е.
Схема базы данных
Good_vs_Bad {
хорошо: Enum = [да, нет, возможно, не уверен]
evil: Enum = [да, нет, может быть, не уверен]
} - присваивать рейтинги/проценты значениям (горячее — холодное)
- использовать расчеты для воздействия на «личность» объекта
- вычисления могут представлять собой совокупность результатов каждого подзапроса базы данных.
- то есть:
-поступают новые данные
-объект сопоставляет их с Good_vs_Bad
-Data: 'В Индонезии ураган..'
-Good_vs_Bad [
{ id: 01, добро: нет, зло: не уверен }
-Total_Hurricanes_In_Indonesia [
{ id: 01, name: 'HurricaneName', chronOrder: 153 }
- на основе рейтинга ценности, объект может определить, что ураган в Индонезии на самом деле не злой, но и не слишком хороший. (качественный)
- на основе chronOrder во второй базе данных объект может определить, что это 153-е вхождение (количественный)
Непрерывность/рост: цель, стремление, мотивация
Подобно тому, как людям требуется вдохновение и мотивация, чтобы поднимать нас с постели каждое утро и добиваться лучших результатов в течение дня, наша модель машинного обучения может/ или может не требовать основополагающей цели, задачи или источника мотивации. Это может быть так просто, как «модель хочет учиться, чтобы улучшить ‹что-то›». Это обеспечивает базовый случай для рекурсивной функции обучения и других вложенных рекурсий, и их базовые случаи могут быть вдохновлены побуждениями и мотиваторами. Причина, по которой это необходимо, заключается в том, что это служит запасным вариантом, чтобы модель не вращалась в одном направлении. Например, без цели, что может помешать модели изучать один конкретный элемент снова и снова с единственной случайной целью установить этот рекорд по изучению его наибольшее количество раз. Цель должна определяться и закладываться в основу разработчиком. Возможно, модель будет развиваться по мере улучшения ее открытий, но для оптимальной модели должна быть основа.
Пожалуйста, дайте мне знать, что вы думаете об этой статье, и мы будем очень признательны за любые предложения, которые могут улучшить эту модель обучения.
Ссылки:
- https://docs.aws.amazon.com/marketplace/latest/userguide/ml-listing-requirements-and-best-practices.html
- https://www.techtarget.com/searchenterpriseai/feature/How-to-build-a-machine-learning-model-in-7-steps
- https://www.tagxdata.com/425/
Далее: Часть 2. Превращение методологии в псевдокод. Оставайтесь с нами.