Q:
Hvordan bruker faglærere innen maskinlæring strukturert prediksjon?
EN:Maskinlæringsfagfolk bruker strukturert prediksjon på en hel rekke måter, vanligvis ved å bruke en form for maskinlæringsteknikk på et bestemt mål eller problem som kan dra nytte av et mer ordnet utgangspunkt for prediktiv analyse.
En teknisk definisjon av strukturert prediksjon innebærer "å forutsi strukturerte objekter i stedet for skalare diskrete eller reelle verdier."
En annen måte å si det på ville være at i stedet for å bare måle individuelle variabler i et vakuum, fungerer strukturerte prediksjoner fra en modell av en bestemt struktur, og bruker det som et grunnlag for å lære og komme med spådommer. (Les hvordan kan AI hjelpe til med personlighetsprediksjon?)
Teknikkene for strukturert prediksjon er vidt varierende - fra Bayesianske teknikker til induktiv logisk programmering, Markov-logikknettverk og strukturerte supportvektormaskiner eller nærmeste naboalgoritmer, har maskinlæringsfagfolk et bredt verktøysett til rådighet for å bruke på dataproblemer.
Det som er vanlig i disse ideene, er bruken av noen underliggende struktur som maskinlæringsarbeidet bygger på iboende.
Eksperter gir ofte ideen om naturlig språkbehandling, der deler av talen er tagget for å representere elementer i en tekststruktur - andre eksempler inkluderer optisk karaktergjenkjenning, der et maskinlæringsprogram gjenkjenner håndskrevne ord ved å analysere segmenter av et gitt innspill, eller komplekst bilde prosessering, der datamaskiner lærer å gjenkjenne objekter basert på segmentert inngang, for eksempel med innviklet nevralt nettverk som består av mange "lag."
Eksperter kan snakke om lineær flerklasseklassifisering, lineære kompatibilitetsfunksjoner og andre basisteknikker for å generere strukturerte prediksjoner. I en veldig generell forstand bygger strukturerte prediksjoner på en annen modell enn det bredere feltet for veiledet maskinlæring - for å gå tilbake til eksemplet med strukturerte prediksjoner i naturlig språkbehandling og taggede fonemer eller ord, ser vi at bruken av merkingen for veiledet maskinlæring er orientert mot selve strukturmodellen - den meningsfylte teksten som leveres, kanskje i testsett og opplæringssett.
Deretter, når maskinlæringsprogrammet slippes løs for å gjøre arbeidet sitt, bygger det på den strukturelle modellen. Det, sier eksperter, forklarer noe av hvordan programmet forstår hvordan man bruker deler av talen som verb, adverb, adjektiv og substantiv, snarere enn å feile dem for andre deler av talen, eller ikke kunne skille hvordan de fungerer i en global kontekst . (Les hvor strukturerte er dataene dine? Undersøk strukturerte, ustrukturerte og semistrukturerte data.)
Feltet med strukturert prediksjon er fortsatt en sentral del av maskinlæring etter hvert som ulike typer maskinlæring og kunstig intelligens utvikler seg.
