cevap 1:

Makine öğrenmede “eğitim” genellikle, öğrenebileceği verileri besleyerek faydalı olacak bir makine öğrenme modeli hazırlama sürecini ifade eder. “Eğitim”, bu modelin sonuçta ortaya çıkan modelin bağımsız olarak değerlendirileceği beklentisi ile (örneğin, ayrı bir “test” setinde) beslenmesi özel görevine atıfta bulunabilir veya genel verilerle veri besleme sürecine atıfta bulunabilir. bir şey için kullanma niyeti.

Makine öğrenimi bağlamında kullanılan “çıkarım” ı iki temel anlamda gördüm. “Çıkarım” kelimesinin bir anlamıyla, zaten eğitilmiş (yukarıda olduğu gibi) bir model alma ve bu eğitimli modeli NVidia’nın konuyla ilgili sayfasında olduğu gibi faydalı tahminler yapmak için kullanma sürecini ifade eder. Burada, eğitim ve çıkarım tamamen farklı aktivitelerdir ve “çıkarım”, modelinizi yeni verilere uygulayarak dünyayla ilgili şeyleri anlama sürecini ifade eder.

Kelimenin bir başka anlamında, özellikle de Bayesian modelleme ve istatistiksel öğrenmenin alt alanlarında araştırmacılar, Hastie ve Tibsherani'de olduğu gibi, veriden elde edilen model parametrelerini veya rastgele değişkenleri öğrenme sürecine atıfta bulunmak için “çıkarım” ifadesini kullanabilirler. Bu çıkarım duygusunu, daha sonra verilerden öğrendiğiniz model parametrelerle yansıyan “veriler hakkında çıkarımlar yapma” ifadesiyle daha yakın bir uyum içinde olduğunu düşünebilirsiniz. Burada “çıkarım”, yukarıdaki “eğitim” ile daha yakından ilgilidir. Bu alanlardaki “Eğitim”, genellikle model parametrelerini veya rastgele değişkenleri tahmin etme sürecine atıfta bulunmak için kullanılır, ancak genellikle “eğitim” bu bağlamda, ortaya çıkan modelle öngörülerde bulunmak veya çizim yapmak yerine değerlendirmek için kullanıldığında kullanılır. modeli kullanan verilerle ilgili sonuçlar (diğer ifadeler bir modeli “uygun”, ““ tahmin parametrelerini ”,“ öğrenme parametrelerini ”vb. olabilir.


cevap 2:

Tren: Model parametrelerini öğrenin. Çıkarım: Performansı değerlendirmek için görünmeyen verilere model uygulayın.

Çıkarımın görünmeyen verilere dayanması önemlidir! Unutmayın, istatistik / ML’de önem verdiğimiz şey eğitim sırasındaki performans değil, modelin genelleme yeteneği…

Not: Görünmeyen verilerdeki iyi performans, kohort / numuneye bağlı olabileceğinden, mutlaka iyi genelleme anlamına gelmeyebilir.


cevap 3:

Soru için çok fazla soru var: # makine öğrenmesi eğitimi ile çıkarım arasındaki fark nedir?

MAKİNE ÖĞRENME HIZINI ÖĞRENMEK İÇİN TOP 9 İPUCU!

Merhaba, 2015 yılından bu yana makine öğrenimi yapmaya başladım. Aşağıdaki gibi makine öğrenimi ustası olmak için bazı temel ipuçlarını paylaşmama izin verin.

1. İpucu:

Geçmişteki Mühendislik Matematiği dersinden bir problem alın ve pratik örneklerle içine dalmaya çalışın. Daha sonra bu denklemleri scipy ve numpy gibi bilimsel bilgi işlem kütüphanelerini kullanarak çözmeye çalışın.

Yukarıdaki şeyler konusunda rahatsanız, ML'ye bir başlangıç ​​yapmak isteyebilirsiniz, bu yüzden MOOC'ları kurslara götürmeyi planlıyorsunuz. Andrew Ng tarafından Makine Öğrenimi kursları bugünlerde en popüler olanları. Ancak ödevleri tamamlamak için zaman yetersizliğinden dolayı bu kursları tamamlayamazsınız. İşte sizin için ipucu.

+ Yararlı kaynak: En iyi 10 makine öğrenme kursu çevrimiçi

İpucu 2. Makine öğrenmesi gelişimine ihtiyacınız olup olmadığını belirleyin

Makine öğrenmesi pahalı ve zaman alıcıdır ve uzmanlar temelde zayıftır ve talep yüksektir.

Ancak, verileriniz varsa, bunu işiniz için bir sürücü olarak kullanabilirsiniz. İş hedeflerinize, zaman diliminize ve bütçenize bağlı olarak küçük veya büyük olabilir.

Aslında, işinizi aşağıdaki 3 yönde geliştirmek istiyorsanız, makine öğrenmesi gelişimini göz önünde bulundurmalısınız:

• Tahminler yapmak ve işlemleri optimize etmek. Örneğin, işletmeler bir müşterinin bir pazarlama kampanyasına yanıt verip vermeyeceğini tahmin etmek için büyük veri ve makine öğrenme modellerini kullanır.

• Bilginin özetlenmesi ve çıkarılması. Örneğin, bir makine öğrenme tekniği olan Doğal Dil İşleme, 10.000 sayfa olabilen yasal belgelerden en önemli bilgileri vurgulamak için kullanılabilir ve bir son kullanıcı sadece özeti okumak zorunda kalacaktır - 40 sayfa.

• Güvenliği arttırmak. Birçok şirket şu anda siber güvenliği sağlamak için AI ve makine öğrenme modellerini kullanıyor. Bu özellikle finansal şirketler ve fintech'ler için geçerlidir. Bununla birlikte, siber güvenlik şu anda tüm alanlar için özellikle GDPR ve diğer düzenleyici ve güvenlik standartları ışığında sıcak bir konudur.

3. İpucu:

İlk başta ödevleri tamamlamak yerine sadece videoları görüntüleyebilirsiniz. Makine öğrenmesinin arkasındaki teoriyle rahat olduğunuzda, ödevleri yapmaya başlayabilirsiniz. Python Algoritmaların uygulamaları en iyisidir

Serbest çalışma yaparken, ilk iki puanla iyi olan insanlarla sık sık karşılaşıyorum, ancak piton uygulamalarını yazmakta zorlanıyorlar. Onlar sadece python paket bilgisi ve üzerlerinde pratik yoksundurlar. İşte size yardımcı olacak bazı kaynaklar:

İpucu 4. Verileri ön işleme ve temizlemeyi küçümsemeyin

Veri ön işleme, yüzde 80 civarında sürüyor. Bunu yapmanın otomatik bir yolu yoktur. Birçok veri tablosunu birleştirmeniz ve farklı veri kaynakları kullanmanız gerekir. O zaman Data Scientists, modellerle oynayabilir ve hangisinin belirli bir iş hedefine en uygun olduğunu seçebilir.

Veri Temizleme, veri ön işleme işleminin çok önemli bir parçasıdır. Verileri analiz ediyor ve bir makine öğrenim modelinde kullanılabilecek kadar iyi olup olmadığını tespit ediyor. Anahtar hedefleri:

• Yanıltıcı sonuçlara neden olabilecek gürültülü verilerin kaldırılması.

• Eksik veri girişi. Ancak, eksik verilerin bilginin kendisi olabileceği ve eksik olması gerektiği dikkate alınmalıdır.

İpucu 5. Makine öğrenimi API'leri ile kendi gelişiminiz arasında seçim yapın

Makine öğrenmeyi benimsemek isteyen şirketler iki yoldan gidebilir: kendi çözümlerini geliştirebilir veya Amazon, Microsoft, Google vb. Gibi şirketlerin API'lerini ve hizmetlerini kullanabilir. İkincisi en kolay olanıdır. Ancak, ciddi bir tradeoff var - sistemin yapılandırılabilirliğini ve kontrolünü feda edersiniz. Örneğin, Amazon servisi sadece tek bir modele sabitlenmiştir - lojistik regresyon. Oysa doğru modeli seçme yeteneği, makine öğrenmesi projesinin başarısı için ön koşullardan biridir. Bu nedenle, şirketler makine öğrenmesini yalnızca çok özel ve basit görevlere sahiplerse bulutlandırmayı dışa aktarmalıdır.

Ayrıca, daha önce de belirttiğimiz gibi, makine öğreniminin yüzde 80'i modelleri ayarlamaktan ziyade, verileri modellere uyacak şekilde hazırlamaktan ibarettir ve örneğin bu bölümü Amazon'a dış kaynak olarak kullanamazsınız.

Bu nedenle, daha karmaşık bir şey istiyorsanız ve esnekliği feda etmek istemiyorsanız, kendi gelişiminize (kurum içi veya dış kaynak geliştirmek) daha iyi ilerlemelisiniz.

6. İpucu:

Pandas - Python'da Bir Veri İşleme Kütüphanesi

Doğrusal Cebirin özünü anlama

Numpy - Python'da Sayısal Bir Bilgi İşlem Kütüphanesi

Yapay Sinir Ağlarını Anlamak DeepLearning

Coursera'daki En İyi DeepLearning MOOC

Şimdi, derin öğrenme kavramlarını öğrenmek için çok çalıştınız, kendi projelerinizi oluşturmak ve iyi bir iş bulmak için bir portföy oluşturmak istiyorsunuz. İşte şu an üzerinde çalıştığım basit projelerin bir listesi.

7. İpucu:

Köpek Irk Sınıflandırması (transfer Öğrenimini kullanır)

Optik Karakter Tanıma (dizi modellerini kullanır)

Derin Öğrenmeyi Kullanarak Gör ve Anlat

Net'e sorun

DeepLearning kullanarak Yüz Değiştirme

DeepLearning Kullanarak Ses Klonlama

Sonunda, önemli ipucu, gerçekten de programlama, matematik ve veri bilimi becerilerinizi sınava sokacak.

İpucu 8. Makine öğrenim gelişiminiz için en uygun uzmanı bulun

Kendi Makine Öğrenimi gelişiminizi seçtiyseniz, projeniz için en uygun uzmanları bulmanız gerekir.

Aşağıdaki Makine öğrenim uzmanlarına ihtiyacınız var

• Veri Bilimcileri algoritmaları dağıtacak. Genellikle raf kütüphanelerini kullanırlar.

• NLP uzmanları, NLP ile karmaşık bir şey yapmak için

• Veri mühendisleri proje için Büyük Veri mimarileri oluşturmak, sistem ölçeklenebilirliğini sağlamak, daha fazla üretim yapmak gibi

• Görüntü tanıma modellerine ihtiyacınız varsa Computer Vision mühendisleri

• Makine Öğrenimi mühendisleri, bazı son teknoloji algoritmaları kullanmanız gerekiyorsa (örneğin, takviye öğrenmesi için) ve projeye özgü araştırmalar yapmanız gerekiyorsa.

• Konuşma tanıma mühendisleri, biraz konuşma tanıma işlemi yapmanız gerekiyorsa. Ancak, çok fazla iş vakası yoktur.

9. ipucu:

Projeleri klonlamakla kalmayıp, kendi mimarilerinizi ve korsanlarınızı sıfırdan uygulayın. Makine Öğrenmesi tamamen araştırma ile ilgilidir, bu yüzden iyi bir araştırma yapmak güveninizi artıracaktır.


cevap 4:

Aşağıda makine öğrenmesi eğitimi ile çıkarım arasındaki farklar

Eğitim - Makine öğrenimi, müşteri hizmetlerini otomatik olarak öğrenmek ve geliştirmek için veri sağlayan ve sistemleri eğiten yapay zeka uygulamalarından biridir.

Makine Öğrenimi Çıkarımı - Bir makine için sofistike ve iyi eğitimli bir işlem uygulamak