Comment les professionnels du machine learning utilisent-ils la prédiction structurée? eval (ez_write_tag ([[320,50], techopedia_com-under_page_title, ezslot_8,242,0,0]));

Contenu

• Q:
• UNE:

Q:

Comment les professionnels du machine learning utilisent-ils la prédiction structurée?

UNE:

Les professionnels de l'apprentissage automatique utilisent la prédiction structurée de multiples façons, généralement en appliquant une technique d'apprentissage automatique à un objectif ou à un problème particulier pouvant bénéficier d'un point de départ plus ordonné pour l'analyse prédictive.

Une définition technique de la prédiction structurée implique «de prédire des objets structurés plutôt que des valeurs scalaires discrètes ou réelles».

Une autre façon de le dire serait que, au lieu de simplement mesurer les variables individuelles dans le vide, les prédictions structurées fonctionnent à partir d'un modèle d'une structure particulière et s'en servent comme base pour l'apprentissage et la prédiction. (Lire comment AI peut-il aider à la prédiction de la personnalité?)

Les techniques de prédiction structurée sont très variables - des techniques bayésiennes à la programmation logique inductive, en passant par les réseaux logiques de Markov, les machines à vecteurs de support structurés ou les algorithmes du plus proche voisin, les professionnels de l’apprentissage automatique disposent d’un large éventail d’applications à appliquer aux problèmes de données.

Ce qui est commun dans ces idées est l’utilisation d’une structure sous-jacente sur laquelle le travail d’apprentissage automatique est fondé.

Les experts donnent souvent l’idée du traitement du langage naturel, où des parties de la parole sont étiquetées pour représenter des éléments d’une structure; d’autres exemples incluent la reconnaissance optique de caractères, où un programme d’apprentissage automatique reconnaît des mots manuscrits en analysant des segments d’une entrée donnée, ou un traitement complexe d’images. , où les ordinateurs apprennent à reconnaître des objets en se basant sur une entrée segmentée, par exemple avec un réseau de neurones à convolution constitué de nombreuses «couches».

Les experts pourraient parler de la classification multiclass linéaire, des fonctions de compatibilité linéaire et d’autres techniques de base permettant de générer des prévisions structurées. Dans un sens très général, les prédictions structurées reposent sur un modèle différent du domaine plus vaste de l'apprentissage automatique supervisé - pour reprendre l'exemple des prédictions structurées dans le traitement du langage naturel et les phonèmes ou mots balisés, nous voyons que l'utilisation de l'étiquetage pour L'apprentissage automatique supervisé est orienté vers le modèle structurel lui-même - le sens qui est fourni, peut-être dans des ensembles de test et des ensembles de formation.

Ensuite, lorsque le programme d’apprentissage automatique est laissé pour faire son travail, il est fondé sur le modèle structurel. Selon les experts, cela explique en partie comment le programme comprend comment utiliser des parties du discours telles que les verbes, les adverbes, les adjectifs et les noms, plutôt que de les confondre avec d'autres parties du discours, ou de ne pas pouvoir distinguer leur fonctionnement dans un contexte global. . (Lire comment vos données sont structurées. Examen des données structurées, non structurées et semi-structurées.)

Le domaine de la prédiction structurée reste un élément clé de l’apprentissage automatique, car différents types d’apprentissage automatique et d’intelligence artificielle évoluent.