Makine öğrenmesi kullanan sorunlar

HBO şovu Silikon Vadisi'nde, karakterlerden biri gerçek bir sorunun peşinden gitmek için makine öğrenimini kullanıyor. Önündeki bazı yiyeceklerin fotoğrafını çekmek için bir akıllı telefon kullanıyor. Sonra uygulama ona bir sosisli sandviç olup olmadığını söyler. Uygulamaya Hotdog Değil adını verdi. Uygulamayı küçük bir sosisli sandviç resimleri seti oluşturarak ve ardından milyonlarca farklı yiyecek resmini çevrimiçi olarak işleyerek yarattı. Temel olarak, bir tür ikili sınıflandırma yapmak için denetimli öğrenmeyi kullandı. Birçok farklı denetimli öğrenme problemi olmasına rağmen, genellikle birkaç kategoriye ayrılırlar. Birincisi, Not Hotdog gibi ikili bir sınıflandırmadır. Daha sonra, çok sınıflı sınıflandırma ve son olarak, regresyon problemleri. Bu sorunların her biri genellikle aynı tür makine öğrenimi algoritmalarını kullanır. Not Hotdog, telefonunuzdaki görüntünün bir sosisli sandviç içerme olasılığını kontrol etmek için istatistiksel bir yöntem kullanmadı. Buna ikili sınıflandırma denir. Bu, en popüler makine öğrenimi zorluklarından biridir. İkili sınıflandırmada, genellikle sadece iki olası sonuç vardır. Genel olarak, evet veya hayır. Otel odası önümüzdeki hafta rezerve edilecek mi? Borsa bu öğleden sonra yükselecek mi? Bu resim bir sosisli sandviç içeriyor mu? Önceden tanımlanmış doğru ve yanlış cevapları vardır. Tüm ikili sınıflandırmalar denetimli öğrenmeyi kullanır. Denetimli öğrenmenin etiketli verilere bağlı olduğunu unutmayın. Bu, birisinin bilgisayara doğru ve yanlış cevap hakkında biraz bilgi verdiği anlamına gelir. Kriterleri belirlemek için başlangıçta bir geliştiriciye sahip olmalısınız. Makineye sosisli sandviçli bir resim göstermelisin. Bir diğer yaygın makine öğrenimi problemi çok sınıflı sınıflandırmadır. Bu, neredeyse sınırsız olası kategorilerin olduğu bir sorundur. Bunun için, bir gıda maddesinin görüntüsüne bakan ve önceden tanımlanmış birkaç kategoriye göre sınıflandıran bir uygulama düşünebilirsiniz. Belki sandviç, içecek veya unlu mamuller gibi bir şeye sahip olacaktır. Ardından, verileri bu kategorilere koymaya çalışmak için farklı bir istatistiksel algoritma kümesi kullanırsınız. Bu algoritmalardan bazılarını sonraki videolarda göreceksiniz. Makine öğreniminin bir başka çok ilginç alanı da regresyon problemleri etrafındadır. İkili ve çok sınıflı sınıflandırmanın aksine, bu problemler sürekli bir çözüme sahip olma eğilimindedir. Burada, verileri farklı gruplar halinde sınıflandırmaya çalışmak yerine eğilimleri ararsınız. Bir otel odasının rezerve edilip edilmeyeceğini düşünün. Bu ikili bir sınıflandırmadır, çünkü yalnızca iki olası sonuç vardır. Bu yararlıdır, ancak gerçekten yararlı olan şey, kaç oda rezerve edileceğini bilmektir. Burada önceden tanımlanmış bir sonuç yoktur. Bu bir evet ya da hayır sorusu değil. Bunun yerine, az ya da çok olası olan bir dizi olasılık vardır. 40 ila 50 oda aralığının mevcut olacağını tahmin etmek için istatistikleri kullanabilirsiniz. İkili sınıflandırma gibi, çoğu regresyon da denetimli öğrenmenin bir biçimini kullanır. Yine, makineye bir odanın boş veya dolu olmasının ne anlama geldiğini göstermek isteyeceksiniz. O zaman lineer regresyon adı verilen bir şey kullanacaksınız. Bu diyagramlar, otel odalarınızın kaçının dolacağını tahmin etmenize yardımcı olabilecek bir eğilim çizgisi gösterecektir. Bu üç problemin hepsinin çok benzer makine öğrenme algoritmalarına sahip olduğunu gördünüz. Bir sonraki adım, tüm bu farklı algoritmaların nasıl çalıştığını ve hangilerinin her zorluk için en iyisi olabileceğini görmektir.