Машинное обучение, Мнение
Машинное обучение побеждает явное программирование
Машины лучше людей?
Прежде чем мы перейдем к этому посту, давайте сначала разберемся, что такое бинарная классификация. Итак, давайте разберемся с этим на очень простом примере. Вы дома, время обеда, к вам подходит мама и спрашивает, голодны ли вы и хотите ли пообедать, ваш ответ будет либо «да», либо «нет». У вас есть только два варианта ответа, то есть бинарные опционы. Возьмем еще один пример ученика, который только что получил свой результат за 12 класс, результат будет «сдано» или «не сдано». Эти два примера подпадают под бинарную классификацию, поскольку у них есть два варианта. Теперь давайте посмотрим, как экспертные системы или системы на основе правил используются для двоичной классификации.
Экспертная система в двоичной классификации:
Задача машины - проверить, содержит ли изображение, переданное машине, текст?
Чтобы понять это, давайте посмотрим, как люди принимают решения?
Рассмотрим область здоровья: предположим, что врач осматривает пациента и ему нужно проверить, есть ли у него денге или нет?
Врач изучает несколько факторов, таких как кожная сыпь, лихорадка, головная боль, холодный кашель, рвота, и решает, болен ли человек денге или нет.
Врач проверил одного из пациентов с проявленными симптомами и не обнаружил денге.
Затем врач проверил другого пациента и обнаружил, что большинство симптомов присутствуют, и врач может заявить, что у пациента есть денге.
Итак, теперь возникает вопрос, как врач принимает все такие решения ??
Ответ на этот вопрос - исторические данные. Врач встречался с несколькими пациентами и, основываясь на своем опыте, теперь принимает все решения о том, болен ли пациент лихорадкой денге или нет.
На изображении ниже представлены исторические данные четырех пациентов.
Поскольку машины понимают только числа, давайте возьмем «CROSS» как «0» и «TICK» как «1», чтобы исторические данные выглядели следующим образом:
Так какова семантика принятия решений врачами?
Здесь играют роль 2 вещи: Функция и Правила.
Характеристики - это входные данные или симптомы, которые мы принимаем: кожная сыпь, лихорадка, головная боль, холодный кашель и рвота.
Правила - это перестановки симптомов, происходящие в голове врача, который решает, есть ли денге, т.е. предположим, что если 2 или более симптома положительны или 3 или более положительны, значит, у человека лихорадка денге.
Теперь мы хотим передать эти правила машине в виде программы, чтобы машина могла выполнять программу, принимая некоторый ввод и выдавая нам результат. Мы напишем условие if-else и на основе условий, которые программа выдаст на выходе.
Ограничения экспертной системы:
Рассмотрим ситуацию. Предположим, у вас есть компания под названием Data Science Arena, и ваша компания должна нанять человека для работы.
Итак, нанимая кого-то, менеджер по найму будет смотреть на различные параметры, такие как 10-е, 12-е, если он / она выпускник, каков был CGPA, какие все проекты были выполнены, и некоторые другие параметры. Менеджер по найму будет по-разному переставлять задачи в уме, а затем решает, выбрать или отклонить кандидата.
Но если задачи найма сравнительно велики, то любому человеку будет очень сложно произвести перестановку задач, и компания подготовит программу, которая будет загружена в машину, чтобы заставить ее обрабатывать и выдавать результат.
Таким образом возникает первое ограничение - если количество функций (здесь задач) больше, тогда невозможно будет легко придумать другую перестановку и, следовательно, будет сложно создать программу if-else. с легкостью.
Также, как было бы большое количество исторических данных о сотрудниках, которые были наняты, а также о тех, кто покинул компанию. Поэтому, глядя на различные сценарии на основе больших исторических данных, человеку будет нелегко написать на их основе программу.
Данные выглядят следующим образом:
Глядя на данные, можно увидеть, что правила формирования перестановок были бы слишком сложными.
Таким образом возникает второе ограничение - даже если вы так или иначе придумали правила, не удастся запомнить все правила, так как правила будут слишком сложными.
Также иногда правила невыразимы, например, предположим, что менеджер по найму нанял человека на основе его честности. Итак, как мы можем выразить это как правило?
Поскольку честность не может быть выражена в какой-либо количественной форме, это становится третьим ограничением.
Поэтому для решения вышеуказанных ограничений мы используем машинное обучение. Он принимает входные данные и формирует функцию f (x1, x2,… xn), которая включает все наши перестановки и на основе предоставленных входных данных дает нам выход. Сформированная функция может быть линейной или любой степени в зависимости от входных данных.
Спасибо за прочтение. Надеюсь, этот блог дал вам некоторое представление о том, как машинное обучение побеждает явное программирование. 😃
