Definition des maschinellen Lernens von Lebensmitteln

Das Grundkonzept von Lebensmittelmaschine Lernen in der Data Science beinhaltet die Verwendung statistischer Lern- und Optimierungsmethoden, mit denen Computer Datensätze analysieren und Muster identifizieren können (ein visuelles maschinelles Lernen über R2D3 External Link anzeigen). Techniken für maschinelles Lernen nutzen das Data Mining, um historische Trends zu identifizieren, um zukünftige Modelle zu informieren.

Der typische Algorithmus für maschinelles Lernen besteht aus (ungefähr) drei Komponenten:

Ein Entscheidungsprozess: Ein Rezept von Berechnungen oder anderen Schritten, das die Daten ausführt und eine „Vermutung“ über die Art von Muster in den Daten zurückgibt, die Ihr Algorithmus finden will.
Eine Fehlerfunktion: Eine Methode zum Messen, wie gut die Vermutung war, indem sie mit bekannten Beispielen verglichen wurde (wenn sie verfügbar sind). Hat der Entscheidungsprozess es richtig gemacht? Wenn nicht, wie quantifizieren Sie "Wie schlimm" der Miss?
Ein Aktualisierungs- oder Optimierungsprozess: Wenn der Algorithmus den Miss betrachtet, und dann aktualisiert, wie der Entscheidungsprozess zur endgültigen Entscheidung kommt, so dass der nächste Mal nicht so toll ist.
Wenn Sie beispielsweise einen Filmempfänger erstellen, könnte der Entscheidungsprozess Ihres Algorithmus untersuchen, wie ähnlich ein bestimmter Film für andere Filme ist, die Sie gesehen haben, und ein Gewichtungssystem für verschiedene Funktionen entwickelt.

Während des Trainingsprozesses durchläuft der Algorithmus die Filme, die Sie gesehen haben, und Gewichtungen verschiedener Eigenschaften. Ist es ein Sci-Fi-Film? Ist es lustig? Der Algorithmus testet dann, ob er Filme empfiehlt, die Sie (oder Leute wie Sie) tatsächlich gesehen haben. Wenn es richtig macht, bleiben die Gewichte, die es benutzte, gleich; Wenn ein Film falsch ist, werden die Gewichte, die zur falschen Entscheidung geführt haben, abgelehnt, sodass diese Art von Fehler nicht wieder macht.

Da ein maschinelles Lernalgorithmus autonom aktualisiert wird, verbessert sich die analytische Genauigkeit mit jedem Lauf, da sie sich aus den von ihnen analysierenden Daten lehrt. Diese iterative Natur des Lernens ist sowohl einzigartig als auch wertvoll, da sie ohne menschliche Intervention auftritt - und die Fähigkeit bietet, versteckte Erkenntnisse aufzudecken, ohne speziell darauf programmiert zu werden.

Wenn Sie an unseren Produkten interessiert sind, sollten Sie besuchen / .