T:
Bakit mahalaga ang malaking bilang ng mga file ng imahe sa maraming mga proyekto sa pag-aaral ng machine?
A:Para sa mga kumpanya na naghahanap upang makakuha ng kasangkot sa kanilang unang mga machine sa pag-aaral (ML) pamumuhunan, ang buong proseso ay maaaring tila isang maliit na misteryo at esoteric. Para sa maraming mga tao, mahirap talagang mailarawan kung paano gumagana ang pagkatuto ng makina, at eksakto kung ano ang gagawin para sa isang negosyo.
Sa ilang mga kaso, ang isang taong nag-aaral ng makina ng pagsasaliksik ay maaaring magkaroon ng isang epiphany kapag isinasaalang-alang nila kung bakit ang malaking bilang ng mga file ng imahe, na nakolekta sa malinis na mga lalagyan ng digital, ay napakahalaga para sa mga proyekto sa ML. Iyon ay dahil ang konsepto ng "file file" ay nakakatulong upang mailarawan ang ML. Ang pag-iisip tungkol dito ay nagbibigay-daan sa amin upang maunawaan ang higit pa tungkol sa kung paano ang mga ganitong uri ng mga teknolohiya ay ilalapat sa aming mundo sa lalong madaling panahon.
| Libreng Pag-download: Pag- aaral ng Machine at Bakit Mahalaga ito |
Ang maikling sagot ay ang mga malalaking bilang ng mga file ng imahe ay mahalaga sa pag-aaral ng makina dahil kumakatawan sa mga set ng pagsasanay - mga hanay ng paunang data na dapat gawin ng computer habang natututo ito. Ngunit may kaunti pa kaysa rito. Bakit napakahalaga ng mga imahe?
Ang isang kadahilanan na ang mga imahe ay napakahalaga ay ang mga siyentipiko ay gumawa ng maraming pag-unlad sa pagproseso ng imahe. Ngunit sa kabila nito, gumawa din sila ng pag-unlad sa pagtulong sa mga makina upang makilala ang mga kinita batay sa kung ano ang nasa isang larawan.
Halimbawa, ang sinumang nakarinig tungkol sa malalim na matigas ang ulo na mga network na may parehong generative at discriminative engine ay naiintindihan ang kaunti tungkol sa kung paano mabasa at maunawaan ng mga computer ang visual data at mga imahe. Hindi nila binabasa ang mga pixel tulad ng dati nilang ginagawa - talagang "nakikita" nila ang imahe at pagtukoy ng mga bahagi. Halimbawa, isipin ang pagkilala sa mukha ng Facebook - natututo ang computer kung ano ang hitsura mo, at kinikilala ka sa mga larawan - pati na rin ang mga nasa paligid mo. Ito ay madalas na nagagawa sa pamamagitan ng pagsasama-sama ng maraming mga imahe at pagsasanay ng iterative na bumubuo ng batayan para sa isang proyekto sa pag-aaral ng machine.
Kapag natukoy ng mga stakeholder ang isang plano at konsepto, at lumabas at nakolekta ang lahat ng mga imahe na may kaugnayan, at ilagay ang mga ito sa algorithm ng pag-aaral ng machine, maaari nilang magamit ang napakalawak na kapangyarihan ng artipisyal na intelihensiya upang magpatakbo ng mga proseso ng negosyo.
Maaaring magpadala ang isang kumpanya ng isang web crawler papunta sa internet na naghahanap ng mga larawan na maaaring naglalaman ng isang partikular na customer, upang makabuo ng isang file na nagpapakita ng pagkakakilanlan ng customer at ng kanyang mga kagustuhan at tendensya. Maaaring gamitin ng kumpanya ang impormasyong ito upang i-automate ang direktang mail o iba pang direktang marketing. Kapag sinimulan mo ang pag-iisip tungkol dito, madaling makita kung paano lamang ang proseso ng pagkilala sa imahe at pagkakakilanlan ay maaaring nakatali sa lahat ng uri ng pag-andar na hahayaan ang mga computer na gawin ang maraming mga bagay na ginagamit ng tao para sa lahat ng ang naitala nating kasaysayan. Ang pagsasagawa ng halimbawa ng pananaliksik ng customer, kasama ang mga nabanggit na uri ng mga pag-setup, ang mga tao ay hindi kailangang kasangkot sa lahat: ang computer ay maaaring "lumabas sa web" at iulat muli sa mga may-ari nito o ang may-ari ng data.
Para sa sinumang kasangkot sa paglibot sa malalim na tubig ng pag-aaral ng makina, ang pag-unawa sa konsepto ng pagmimina ng data ng masa ng imahe ay nagbibigay ng isang mahusay na unang hakbang sa isang mapa ng kalsada upang magamit ang kapangyarihan ng pagkatuto ng makina at pag-uunawa kung paano gamitin ito upang makinabang ang isang negosyo.
