Apzīmētie dati mākslīgā intelekta (AI) kontekstā un jo īpaši Google mākoņa mašīnmācīšanās jomā attiecas uz datu kopu, kas ir anotēta vai atzīmēta ar īpašām iezīmēm vai kategorijām. Šīs etiķetes kalpo kā pamatpatiesība vai atsauce mašīnmācīšanās algoritmu apmācībai. Sasaistot datu punktus ar atbilstošajām etiķetēm, mašīnmācīšanās modelis var iemācīties atpazīt modeļus un veikt prognozes, pamatojoties uz jauniem, neredzētiem datiem.
Marķētiem datiem ir izšķiroša nozīme uzraudzītajā apmācībā, kas ir izplatīta pieeja mašīnmācībā. Uzraudzītā apmācībā modelis tiek apmācīts ar marķētu datu kopu, lai uzzinātu saistību starp ievades līdzekļiem un to atbilstošajām izvades etiķetēm. Šis apmācības process ļauj modelim vispārināt savas zināšanas un veikt precīzas prognozes par jauniem, neredzētiem datiem.
Lai ilustrētu šo koncepciju, aplūkosim mašīnmācīšanās uzdevuma piemēru attēlu atpazīšanas jomā. Pieņemsim, ka mēs vēlamies izveidot modeli, kas var klasificēt dzīvnieku attēlus dažādās kategorijās, piemēram, kaķus, suņus un putnus. Mums būtu nepieciešama marķēta datu kopa, kurā katrs attēls ir saistīts ar pareizo etiķeti. Piemēram, kaķa attēls tiktu apzīmēts kā "kaķis", suņa attēls - kā "suns" un tā tālāk.
Marķētā datu kopa sastāvētu no attēlu kolekcijas un tiem atbilstošajām etiķetēm. Katrs attēls tiktu attēlots ar funkciju kopu, piemēram, pikseļu vērtībām vai augstāka līmeņa attēlojumiem, kas iegūti no attēla. Etiķetes norādītu pareizo kategoriju vai klasi, kurai katrs attēls pieder.
Apmācības posmā mašīnmācības modelis tiks prezentēts ar marķētu datu kopu. Tas iemācītos noteikt modeļus un attiecības starp ievades līdzekļiem un atbilstošajām etiķetēm. Modelis atjauninātu savus iekšējos parametrus, lai samazinātu atšķirību starp prognozēm un patiesajām etiķetēm apmācības datos.
Kad modelis ir apmācīts, to var izmantot, lai prognozētu jaunus, neredzētus attēlus. Ņemot vērā attēlu bez etiķetes, modelis analizētu tā funkcijas un prognozētu visticamāko etiķeti, pamatojoties uz iegūtajām zināšanām no marķētās datu kopas. Piemēram, ja modelis paredz, ka attēlā ir kaķis, tas nozīmē, ka tas attēlā ir atpazījis modeļus, kas liecina par kaķi.
Marķētie dati ir pamatkomponents mašīnmācīšanās modeļu apmācībā. Tas nodrošina nepieciešamo informāciju, lai modelis varētu mācīties un veikt precīzas prognozes. Sasaistot datu punktus ar to atbilstošajām etiķetēm, modelis var iemācīties atpazīt modeļus un vispārināt savas zināšanas ar neredzamiem datiem.
Citi jaunākie jautājumi un atbildes par EITC/AI/GCML Google Cloud Machine Learning:
- Kas ir teksts runāšanai (TTS) un kā tas darbojas ar AI?
- Kādi ir ierobežojumi darbam ar lielām datu kopām mašīnmācībā?
- Vai mašīnmācība var sniegt dialogu?
- Kas ir TensorFlow rotaļu laukums?
- Ko patiesībā nozīmē lielāka datu kopa?
- Kādi ir daži algoritma hiperparametru piemēri?
- Kas ir ansambļa mācīšanās?
- Ko darīt, ja izvēlētais mašīnmācīšanās algoritms nav piemērots un kā pārliecināties, ka ir izvēlēts pareizais?
- Vai mašīnmācīšanās modelim tā apmācības laikā ir nepieciešama uzraudzība?
- Kādi ir galvenie parametri, ko izmanto neironu tīklu algoritmos?
Skatiet citus jautājumus un atbildes pakalpojumā EITC/AI/GCML Google Cloud Machine Learning