Définition de l'apprentissage de la machine alimentaire

Le concept de base de machine à restaurer L'apprentissage dans la science des données implique l'utilisation de méthodes d'apprentissage et d'optimisation statistiques qui permettent aux ordinateurs analyser des ensembles de données et identifier les modèles (voir un visuel de l'apprentissage automatique via un lien externe R2D3). Les techniques d'apprentissage automatique tirent parti de l'exploration de données pour identifier les tendances historiques pour éclairer les futurs modèles.

L'algorithme d'apprentissage automatique supervisé typique se compose (à peu près) de trois composants:

Un processus de décision: une recette de calculs ou d'autres étapes qui prennent les données et renvoie une «supposition» sur le type de modèle dans les données que votre algorithme cherche à trouver.
Une fonction d'erreur: une méthode pour mesurer la qualité de la supposition en la comparant à des exemples connus (lorsqu'ils sont disponibles). Le processus de décision a-t-il bien réussi? Sinon, comment quantifiez-vous «à quel point» le Miss?
Un processus de mise à jour ou d'optimisation: où l'algorithme examine la Miss, puis met à jour comment le processus de décision arrive à la décision finale afin que la prochaine fois que la Miss ne soit aussi grande.
Par exemple, si vous construisez un recommandateur de film, le processus de décision de votre algorithme pourrait examiner à quel point un film donné est similaire aux autres films que vous avez regardés et proposer un système de pondération pour différentes fonctionnalités.

Pendant le processus de formation, l'algorithme passe par les films que vous avez regardés et pèche différentes propriétés. Est-ce un film de science-fiction? Est-ce drôle? L'algorithme teste ensuite si cela finit par recommander des films que vous (ou des gens comme vous) avez regardé. Si cela fait les choses correctement, les poids utilisés restent les mêmes; Si cela se trompe, les poids qui ont conduit à la mauvaise décision sont refusés afin que cela ne fasse plus ce genre d'erreur.

Étant donné qu'un algorithme d'apprentissage automatique se met à jour de manière autonome, la précision analytique s'améliore à chaque exécution car elle s'enseigne à partir des données qu'elle analyse. Cette nature itérative de l'apprentissage est à la fois unique et précieuse car elle se produit sans intervention humaine - offrant la capacité de découvrir des idées cachées sans être spécifiquement programmée pour le faire.

Si vous êtes intéressé par nos produits, bienvenue pour visiter / .