Γιατί είναι χρήσιμη η απεικόνιση δεδομένων για τους αλγόριθμους μηχανικής μάθησης;

Ερ:

Γιατί είναι χρήσιμη η απεικόνιση δεδομένων για τους αλγόριθμους μηχανικής μάθησης;

Η πειθαρχία της απεικόνισης δεδομένων μας δίνει πρακτικά άπειρους τρόπους για να δείξουμε τι συμβαίνει με τους αλγόριθμους μηχανικής μάθησης. Αξίζει να σκεφτούμε ακριβώς γιατί ο οπτικοποίηση των δεδομένων είναι τόσο σημαντικός και γιατί απελευθερώνει τόση δημιουργική δύναμη για τόσους πολλούς ανθρώπους που εμπλέκονται στις διαδικασίες μηχανικής μάθησης.

Για να κατανοήσετε την αξία της απεικόνισης δεδομένων για μηχανική μάθηση, ρίξτε μια ματιά σε οποιονδήποτε από τους αλγορίθμους που χρησιμοποιούνται για τη δημιουργία αυτών των πρωτοποριακών και πρωτοποριακών προγραμμάτων.

Ένα από τα πιο απλά είναι το δέντρο απόφασης. Χωρίς να μπαίνουμε σε λειτουργίες ενεργοποίησης ή κρυμμένα στρώματα ή κάτι τέτοιο, το δέντρο αποφάσεων είναι απλά σύνολα δυαδικών κόμβων. Αλλά ακόμα και το απλό δέντρο απόφασης είναι πολύ δύσκολο για τους ανθρώπους να περιγράψουν ή να γράψουν. Είναι πολύ πιο εύκολο όταν απεικονίζεται σε μια οθόνη ή σε μια σελίδα. Όταν βλέπετε κάθε κόμβο και τις συνδέσεις του με άλλους κόμβους, το όλο θέμα γίνεται άμεσα εμφανές.

Τώρα ας πάρουμε έναν από τους πιο βυζαντινούς και περίπλοκους τύπους αλγορίθμων μηχανικής μάθησης - το νευρωνικό δίκτυο.

Κατά κάποιο τρόπο, τα νευρικά δίκτυα είναι πραγματικά συλλογές αλγορίθμων μηχανικής μάθησης. Η βασική ρύθμιση αποτελείται από ένα στρώμα εισόδου, κρυφά στρώματα και ένα στρώμα εξόδου. Οι λειτουργίες ενεργοποίησης βοηθούν τους μεμονωμένους ψηφιακούς νευρώνες να επεξεργάζονται σταθμισμένες εισροές.

Όλα αυτά τα στοιχεία και όλες αυτές οι διαδικασίες εξηγούνται πολύ πιο εύκολα με την οπτικοποίηση των δεδομένων από ό, τι μέσω λεκτικών ή γραπτών περιγραφών. Μπορείτε να πείτε ότι ένα νευρωνικό δίκτυο έχει σταθμίσει εισροές που εισρέουν σε ένα στρώμα εισόδου και ότι συγχωνεύονται σε κάποιο κρυμμένο στρώμα και ενοποιούνται σε μια δεδομένη έξοδο, αλλά όταν χρησιμοποιείτε μια οπτική μορφή για να δείξετε πώς λειτουργεί αυτό, το ανθρώπινο μάτι και το ανθρώπινο μάτι το μυαλό κλείνει επάνω σε αυτό με πολύ πιο άμεσο και χρήσιμο τρόπο.

Κατά μία έννοια, μπορείτε να δείτε την ισχύ της απεικόνισης δεδομένων, ακόμη και χωρίς να ληφθεί υπόψη η μηχανική μάθηση. Επιστροφή στις ημέρες του γραμμικού προγραμματισμού, οι μεταγλωττιστές και τα στούντιο γλώσσας υπολογιστών θα έδιναν στους προγραμματιστές την επιλογή να θέσουν ένα βήμα προς βήμα πρόγραμμα δοκιμών όπου θα μπορούσαν να επιθεωρήσουν τις τιμές των μεταβλητών σε μικρά οπτικά πλαίσια. Και πάλι, αυτό βοήθησε να δείξει τι συμβαίνει σε μια εκτέλεση πολύ καλύτερα από την ανάγνωση μέσω μιας βάσης κώδικα.

Η μηχανική μάθηση είναι υπερ-εντατικός προγραμματισμός - είναι πιθανοτικός προγραμματισμός και γι 'αυτό η οπτικοποίηση των δεδομένων μας βοηθά πραγματικά να πάρουμε τα κεφάλια μας γύρω από το τι συμβαίνει με οποιονδήποτε δεδομένο αλγόριθμο ή διαδικασία.