Q:
Hvorfor er datavisualisering nyttig for maskinlæringsalgoritmer?
EN:Disiplinen for datavisualisering gir oss praktisk talt uendelige måter å vise frem hva som skjer med maskinlæringsalgoritmer. Det er verdt å tenke på nøyaktig hvorfor datavisualisering er så viktig, og hvorfor det frigjør så mye kreativ kraft for så mange mennesker som blir involvert i maskinlæringsprosesser.
For å forstå verdien av datavisualisering for maskinlæring, kan du bare se på hvilken som helst av algoritmene som brukes til å lage disse banebrytende og innovative programmene.
Noe av det enkleste er avgjørelsestreet. Uten å komme inn på aktiveringsfunksjoner eller skjulte lag eller noe sånt, er avgjørelsestreet ganske enkelt sett med binære noder. Men selv det enkle beslutnings-treet er veldig vanskelig for folk å beskrive eller skrive om. Det er mye enklere når det visualiseres på en skjerm eller på en side. Når du ser hver node og forbindelsene til andre noder, blir hele saken lett tydelig.
La oss nå ta en av de mest bysantinske og forseggjorte maskinlæringsalgoritmetyper - det nevrale nettverket.
På noen måter er nevrale nettverk virkelig samlinger av maskinlæringsalgoritmer. Det grunnleggende oppsettet består av et inputlag, skjulte lag og et outputlag. Aktiveringsfunksjonene hjelper de enkelte digitale nevronene til å behandle vektede innganger.
Alle disse elementene og alle disse prosessene blir mye lettere forklart gjennom datavisualisering enn de er gjennom muntlige eller skriftlige beskrivelser. Du kan si at et nevralt nettverk har vektede innganger som strømmer inn i et inputlag, og at de samles sammen i et skjult lag og konsoliderer seg til en gitt utgang, men når du bruker en visuell figur for å vise hvordan dette fungerer, det menneskelige øyet og det menneskelige hjernen låses fast på det på en mye mer direkte og nyttig måte.
På en måte kan du se kraften i datavisualisering selv uten å ta hensyn til maskinlæring. Tilbake i dagene med lineær programmering ville kompilatorer og dataspråkstudioer gi programmerere valget mellom å sette et trinn-for-trinn-testprogram der de kunne inspisere verdiene til variabler i små visuelle bokser. Igjen hjalp dette til å vise hva som skjer i en henrettelse mye bedre enn bare å lese gjennom en kodebase.
Læring av maskiner er hyperintensiv programmering - det er sannsynlig programmering, og det er derfor datavisualisering virkelig hjelper oss å få hodet rundt hva som skjer med en gitt algoritme eller prosess.
