D:
In che modo gli ingegneri possono utilizzare il potenziamento del gradiente per migliorare i sistemi di apprendimento automatico?
UN:Come altri tipi di potenziamento, il potenziamento del gradiente cerca di trasformare più studenti deboli in un singolo studente forte, in una sorta di "crowdsourcing" digitale del potenziale di apprendimento. Un altro modo in cui alcuni spiegano l'aumento del gradiente è che gli ingegneri aggiungono variabili per mettere a punto una vaga equazione, al fine di produrre risultati più precisi.
L'aumento del gradiente è anche descritto come un approccio "iterativo", con le iterazioni probabilmente caratterizzate come l'aggiunta di singoli discenti deboli a un singolo modello di studente forte.
| Download gratuito: Machine Learning e perché è importante |
Ecco una descrizione avvincente di come guardare un tipo di implementazione di incremento gradiente che migliorerà i risultati di apprendimento automatico:
Gli amministratori di sistema hanno prima creato una serie di discenti deboli. Pensa a loro, ad esempio, come una schiera di entità AF, ognuna seduta attorno a un tavolo virtuale e lavorando su un problema, ad esempio la classificazione di immagini binarie.
Nell'esempio sopra, gli ingegneri porranno in primo luogo la valutazione di ogni discente debole, possibilmente arbitrariamente, assegnando un livello di influenza ad A, B, C, ecc.
Successivamente, il programma eseguirà un determinato set di immagini di allenamento. Quindi, dati i risultati, ripenserà la gamma di studenti deboli. Se A indovinasse molto meglio di B e C, l'influenza di A verrà aumentata di conseguenza.
In questa descrizione semplicistica di un potenziamento dell'algoritmo di potenziamento, è relativamente facile vedere come l'approccio più complesso produrrà risultati migliorati. Gli studenti deboli "pensano insieme" e, a loro volta, ottimizzano un problema di ML.
Di conseguenza, gli ingegneri possono utilizzare l'approccio "ensemble" di incremento gradiente in quasi ogni tipo di progetto ML, dal riconoscimento delle immagini alla classificazione dei consigli degli utenti o all'analisi del linguaggio naturale. È essenzialmente un approccio di "spirito di squadra" alla ML, che sta suscitando molta attenzione da parte di alcuni giocatori potenti.
L'aumento del gradiente, in particolare, spesso funziona con una funzione di perdita differenziabile.
In un altro modello utilizzato per spiegare il potenziamento del gradiente, un'altra funzione di questo tipo di potenziamento è quella di essere in grado di isolare classificazioni o variabili che, in un quadro più ampio, sono solo rumore. Separando l'albero di regressione o la struttura dei dati di ciascuna variabile nel dominio di uno studente debole, gli ingegneri possono costruire modelli che "sonderanno" in modo più accurato i significanti del rumore. In altre parole, il significante coperto dallo sfortunato discente debole verrà emarginato poiché quel discente debole viene ridimensionato verso il basso e riceve meno influenza.
