T:
Paano ginagamit ng mga propesyonal sa pag-aaral ng machine ang nakabalangkas na hula?
A:Ang mga propesyonal sa pagkatuto ng makina ay gumagamit ng nakabalangkas na hula sa isang buong maraming mga paraan, karaniwang sa pamamagitan ng paglalapat ng ilang anyo ng diskarte sa pag-aaral ng makina sa isang partikular na layunin o problema na maaaring makinabang mula sa isang higit na iniutos na panimulang punto para sa mapaghulaang pagtatasa.
Ang isang teknikal na kahulugan ng nakabalangkas na paghula ay nagsasangkot ng "paghula ng mga nakabalangkas na bagay sa halip na scalar discrete o tunay na mga halaga."
Ang isa pang paraan upang sabihin na iyon ay sa halip na sukatin lamang ang mga indibidwal na variable sa isang vacuum, nakabalangkas na mga hula ang gumana mula sa isang modelo ng isang partikular na istraktura, at gagamitin iyon bilang batayan sa pag-aaral at paggawa ng mga hula. (Basahin Paano Makakatulong ang AI sa Prediksyon ng Pagkatao?)
Ang mga pamamaraan para sa nakabalangkas na hula ay malawak na variable - mula sa mga diskarte sa Bayesian hanggang sa inductive logic programming, Markov logic network at nakabalangkas na suporta vector machine o pinakamalapit na algorithm ng kapitbahay, ang mga propesyonal sa pag-aaral ng machine ay may malawak na toolet sa kanilang pagtatapon upang mag-aplay sa mga problema sa data.
Ang pangkaraniwan sa mga ideyang ito ay ang paggamit ng ilang pinagbabatayan na istraktura na ang gawaing pag-aaral ng makina ay itinatag sa likas.
Ang mga eksperto ay madalas na nagbibigay ng ideya ng natural na pagproseso ng wika, kung saan ang mga bahagi ng pagsasalita ay naka-tag upang kumatawan sa mga elemento ng isang istraktura ng teksto - ang iba pang mga halimbawa ay may kasamang optical pagkilala sa character, kung saan kinikilala ng isang machine learning program ang mga salita ng sulat-kamay sa pamamagitan ng pag-parse ng mga segment ng isang naibigay na input, o kumplikadong imahe pagproseso, kung saan natututo ang mga computer na kilalanin ang mga bagay batay sa naka-segment na input, halimbawa, na may koneksyon na neural network na binubuo ng maraming "mga layer."
Maaaring pag-uusapan ng mga eksperto ang tungkol sa linear na pag-uuri ng multiclass, mga pag-andar sa pagkakatugma sa linear at iba pang mga batayan na pamamaraan para sa pagbuo ng nakabalangkas na mga hula. Sa isang napaka-pangkalahatang kahulugan, nakabalangkas na mga hula ang bumubuo sa isang iba't ibang modelo kaysa sa mas malawak na larangan ng pangangasiwa ng pag-aaral ng makina - upang bumalik sa halimbawa ng nakabalangkas na mga hula sa natural na pagproseso ng wika at na-tag na mga phonemes o mga salita, nakita namin na ang paggamit ng label para sa ang pinangangasiwaang pag-aaral ng makina ay nakatuon sa istrukturang modelo mismo - ang makabuluhang teksto na ibinibigay, marahil sa mga set ng pagsubok at mga set ng pagsasanay.
Pagkatapos, kapag ang programa sa pag-aaral ng makina ay hayaan ang paggawa ng gawain nito, itinatag ito sa istrukturang modelo. Iyon, sabi ng mga eksperto, ipinapaliwanag ang ilan sa kung paano nauunawaan ng programa kung paano magamit ang mga bahagi ng pagsasalita tulad ng mga pandiwa, pang-abay, pang-uri at pangngalan, kaysa sa pagkakamali sa kanila para sa iba pang mga bahagi ng pagsasalita, o hindi magagawang makilala kung paano sila gumagana sa isang pandaigdigang konteksto . (Basahin Kung Paano Ang Istraktura Ay Iyong Data? Nasusuri ang Nakabalangkas, Hindi Nakabalangkas at Semi-Istrukturang Data.)
Ang larangan ng nakabalangkas na hula ay nananatiling isang mahalagang bahagi ng pag-aaral ng makina dahil ang iba't ibang uri ng pag-aaral ng makina at artipisyal na intelektwal na umuusbong.
