Tradicionalni programi sprejemajo podatke in sledijo navodilom, da dobijo rezultat. \u0160tevilni zgodnji programi UI so bili v tem pogledu tradicionalni. Ker se navodila ne morejo prilagajati podatkom, ti programi niso bili prav uspe\u0161ni pri nalogah, kot je npr. napovedovanje na podlagi nepopolnih informacij in naravna obdelava jezika (NLP).<\/p>\n
<\/a> Tak\u0161ni algoritmi so primerni za zelo kompleksne situacije z veliko manjkajo\u010dimi podatki. Sposobni so sami spremljajati izvajanje zadanih nalog in povratne informacije uporabiti za izbolj\u0161anje svojega delovanja.<\/p>\n V tem so pravzaprav podobni ljudem, zlasti dojen\u010dkom, ki se ve\u0161\u010din u\u010dijo izven izobra\u017eevalnega sistema. Dojen\u010dki opazujejo, ponavljajo (posnemajo), se u\u010dijo, preizku\u0161ajo nau\u010deno in se izbolj\u0161ujejo. \u010ce je treba, tudi improvizirajo.<\/p>\n Vendar je podobnost med stroji in ljudmi precej povr\u0161inska. U\u010denje\u00a0ljudi je druga\u010dno, veliko bolj diferencirano, podrobno in zapleteno kot u\u010denje\u00a0strojev.<\/p>\nhttps:\/\/www.youtube.com\/watch?v=vqK7B77R8Oo&list=PLkm8ZqYSzE3fv8uQT7zz1I_Tvelj0U2vd&index=4&pp=iAQB\n Ena od pogostih nalog, ki se uporablja v aplikacijah strojnega u\u010denja, je klasifikacija. Je na fotografiji pes ali ma\u010dka? Ali ima u\u010denec te\u017eave pri re\u0161evanju nalog, ali je opravil preizkus znanja? Stroj ima na izbiro dve ali ve\u010d skupin. Aplikacija mora nove podatke razvrstiti v eno od teh skupin.<\/p>\n\n\n[caption id=\"attachment_61\" align=\"alignright\" width=\"430\"] Vzemimo za primer komplet igralnih kart, ki ga po nekem klju\u010du razdelimo na dva kup\u010dka, skupino A in skupino B. Nalsednjo karto (karov as) moramo razvrstiti v skupino A ali skupino B.<\/p>\n Najprej moramo razumeti, po ka\u0161nem klju\u010du je razdeljen komplet kart - torej potrebujemo primere. Izberemo \u0161tiri karte iz skupine A in \u0161tiri iz skupine B. Teh osem primerov predstavlja na\u0161e u\u010dne podatke<\/strong> - podatke, ki nam pomagajo prepoznati vzorec, oz., nas s tem \"u\u010dijo\", kako priti do rezultata.<\/p>\n Takoj ko vidimo razporeditev (slika desno), nas ve\u010dina ugane, da karov as spada v skupino B. Pri tem ne potrebujemo posebnih navodil, \u010dlove\u0161ki mo\u017egani so \u010dude\u017eni iskalec vzorcev. Kako pa bi to nalogo opravil stroj?<\/p>\n Algoritmi strojnega u\u010denja temeljijo na uveljavljenih statisti\u010dnih teorijah. Razli\u010dni algoritmi temeljijo na razli\u010dnih matemati\u010dnih ena\u010dbah, ki jih je treba skrbno izbrati, da ustrezajo dani nalogi. Naloga programerja je, da izbere podatke, analizira, katere zna\u010dilnosti podatkov so pomembne za dolo\u010den problem, in izbere pravilen algoritem.<\/p>\n\n Vendar pa bi lahko v zgornjem primeru \u0161lo narobe ve\u010d stvari. Oglejte si sliko. V skupini 1 je premalo kart, da bi lahko ugibali. V skupini 2 je sicer ve\u010d kart, vendar so vse enake barve, zato ne moremo predvideti, kam uvrstiti karo. \u010ce skupine ne bi bile enako velike, bi v skupini 3 karte s \u0161tevilkami spadale v skupino A, karte s podobami pa v skupino B.<\/p>\n Problemi strojnega u\u010denja so obi\u010dajno bolj odprti in vklju\u010dujejo nabore podatkov, veliko ve\u010dje od kompleta kart. U\u010dne podatke je treba izbrati s pomo\u010djo statisti\u010dne analize, sicer se vanje prikradejo napake. Dobra izbira podatkov je klju\u010dnega pomena za u\u010dinkovite aplikacije strojenga u\u010denja, bolj kot pri drugih vrstah programov. Strojno u\u010denje potrebuje veliko \u0161tevilo relevantnih podatkov. Osnovni model strojnega u\u010denja mora vsebovati najmanj desetkrat ve\u010d podatkov, kot je skupno \u0161tevilo zna\u010dilnosti1<\/sup>. Kljub temu je strojno u\u010denje posebej primerno tudi za obdelavo hrupnih, neurejenih in nasprotujo\u010dih si podatkov.<\/p>\n\n Ko ste si v zgornjem primeru ogledali skupini A in B, ste br\u017ekone najprej opazili barvo kart. Nato \u0161tevilko ali \u010drko in barvo. Pri algoritmih je treba vse te posamezne zna\u010dilnosti vnesti posebej. Algoritem ne more samodejno vedeti, kaj je pomembno za dano nalogo.<\/p>\n Pri izbiri zna\u010dilnosti si morajo programerji zastaviti \u0161tevilna vpra\u0161anja. Koliko zna\u010dilnosti je premalo, da bi bile uporabne? Koliko jih je preve\u010d? Katere zna\u010dilnosti so pomembne za nalogo? Kak\u0161no je razmerje med izbranimi zna\u010dilnostmi - ali je ena zna\u010dilnost odvisna od druge? Ali je z izbranimi zna\u010dilnostmi mogo\u010de dose\u010di natan\u010den rezultat? <\/a><\/em><\/p>\nhttps:\/\/www.youtube.com\/watch?v=2lELrXruJd4&list=PLkm8ZqYSzE3fv8uQT7zz1I_Tvelj0U2vd&index=5&pp=iAQB\n Ko programer ustvarja aplikacijo, vzame podatke, iz njih ekstrahira zna\u010dilnosti, izbere ustrezen algoritem strojnega u\u010denja (matemati\u010dna funkcija, ki dolo\u010da postopek) in ga usposobi z uporabo ozna\u010denih podatkov (v primeru, ko je izhod znan - npr. skupina A ali skupina B), tako da stroj razume<\/em> vzorec, ki se skriva za problemom.<\/p>\n Za stroj razumevanje <\/em>pomeni zapis v oblik niza \u0161tevilk ali ute\u017ei,<\/strong> ki jih dodeli vsaki zna\u010dilnosti. S pravilno dodelitvijo ute\u017ei lahko izra\u010duna verjetnost, da nova karta spada v skupino A ali B. Obi\u010dajno v fazi u\u010denja programer pomaga stroju tako, da ro\u010dno spremeni nekatere vrednosti (ugla\u0161evanje). <\/a> Za tem je treba program pred za\u010detkom uporabe preizkusiti. Pri tem se vanj vnesejo tak\u0161ni ozna\u010deni podatki, ki niso bili uporabljeni v fazi u\u010denja, imenujemo jih testni podatki.<\/strong><\/p>\n Algoritem nato lastno delovanje v realnem \u010dasu nenehno spremlja in se izbolj\u0161uje (prilagoditev ute\u017ei za bolj\u0161e rezultate). U\u010dinkovitost delovanja v realnem \u010dasu se pogosto razlikuje od izmerjene u\u010dinkovitosti v fazi preizku\u0161anja (testiranja). Ker je eksperimentiranje z resni\u010dnimi uporabniki drago, zahteva veliko truda in pogosto s seboj prina\u0161a dolo\u010deno tveganje, se algoritmi praviloma preizku\u0161ajo na podlagi preteklih uporabni\u0161kih podatkov, zaradi \u010desar pa morda ni mo\u017eno oceniti vpliva na vedenje uporabnikov1 <\/sup>. Zato je pomembno, da se pred uporabo aplikacij strojnega u\u010denja opravi celovita ocena njihovega delovanja:<\/p>\nhttps:\/\/www.youtube.com\/watch?v=ofvWVmWLEk0&list=PLkm8ZqYSzE3fv8uQT7zz1I_Tvelj0U2vd&index=7&pp=iAQB\n\n \n![\"\"](\"https:\/\/scalar.usc.edu\/works\/artificial-intelligence-for-teachers\/media\/Green%20Illustrated%20Modern%20Social%20Media%20Marketing%20Report%20Presentation%20(1).jpg\")
Spletne iskalnike poganjajo klasi\u010dni algoritmi in algoritmi\u00a0strojnega\u00a0u\u010denja.<\/strong> Za razliko od prvih slednji analizirajo podatke za prepoznavanje vzorcev, ki jih nato uporabijo za sprejemanje odlo\u010ditev ali generiranje napovedi. Lahko bi reklii, da na podlagi podatkov (dobrih in slabih primerov) ustvarijo svoj lasten \"recept\" za delovanje.<\/p>\nProblem klasifikacije<\/h3>\n
\"Playing Card\" by aquarianinsight.com\/free-readings\/ je licenciran pod CC BY-SA 2.0. \u010ce si \u017eelite ogledati kopijo te licence, obi\u0161\u010dite https:\/\/creativecommons.org\/licenses\/by-sa\/2.0\/?ref=openverse<\/a>.[\/caption]\nPomen podatkov<\/h3>\n[caption id=\"attachment_61\" align=\"alignright\" width=\"442\"]
\"Playing Card\" by aquarianinsight.com\/free-readings\/ je licenciran pod CC BY-SA 2.0. \u010ce si \u017eelite ogledati kopijo te licence, obi\u0161\u010dite https:\/\/creativecommons.org\/licenses\/by-sa\/2.0\/?ref=openverse.<\/a>[\/caption]\nEkstrakcija zna\u010dilnosti<\/h3>\n
\nPostopek<\/h3>\n
Ali morajo biti podatki vedno ozna\u010deni?<\/h4>\n<\/header>\n
Nato se oceni u\u010dinkovitost stroja pri napovedovanju rezultatov. Ko u\u010dinkovitost dose\u017ee zadovoljivo stopnjo, lahko za\u010dnemo z uporabo programa, ki je sedaj pripravljen za vnos povsem novih podatkov, na podlagi katerih sprejema odlo\u010ditve ali generira napovedi.<\/p>\n<\/a>\n