Analisis ringkas pembelajaran mesin dan persamaan pembezaan

Walaupun pembelajaran mesin telah wujud sejak tahun 1950-an, kerana komputer telah menjadi lebih berkuasa dan data telah meletup, bagaimanakah orang boleh menggunakan kecerdasan buatan untuk memperoleh kelebihan daya saing, meningkatkan cerapan dan meningkatkan keuntungan secara meluas? Untuk senario aplikasi yang berbeza, pembelajaran mesin dan persamaan pembezaan mempunyai pelbagai senario.​

Semua orang sudah menggunakan pembelajaran mesin, terutamanya pembelajaran mendalam berdasarkan rangkaian saraf ChatGPT sangat popular Adakah anda masih perlu memahami persamaan pembezaan secara mendalam. Tidak kira apa jawapannya, ia akan melibatkan perbandingan antara kedua-duanya Jadi, apakah perbezaan antara pembelajaran mesin dan persamaan pembezaan?

Bermula daripada persamaan pembezaan model cinta

Kedua-dua persamaan ini meramalkan jangka hayat hubungan cinta pasangan itu, berdasarkan psikologi Berdasarkan karya seminal ahli psikologi John Gottman, model itu meramalkan bahawa emosi positif yang berterusan adalah faktor yang kuat dalam kejayaan perkahwinan. Untuk tafsiran model yang lebih lanjut, anda boleh merujuk buku "Selamat Perkahwinan". Penulis juga memberikan 7 peraturan untuk mengekalkan perkahwinan yang bahagia:

1. Tingkatkan peta cinta anda
2. Tanamkan. kasih sayang dan pujian untuk pasangan anda
3. Bergerak lebih dekat antara satu sama lain daripada lebih jauh
4. Biarkan pasangan anda mempengaruhi keputusan anda
5. Mulakan dengan lemah lembut dan berakhir dengan kompromi
6. Belajar untuk hidup harmoni dengan masalah
7. Cipta makna bersama

Semua orang telah mengalami wabak itu secara peribadi selama tiga tahun dan tahu apa yang baik dan apa yang baik. baik. Jadi, bagaimana menggunakan persamaan pembezaan untuk menerangkan hubungan antara pesakit dan orang yang berjangkit?

Model SIR mengandaikan bahawa virus disebarkan melalui sentuhan langsung antara orang yang dijangkiti dan tidak dijangkiti, dengan orang yang sakit pulih secara automatik pada kadar tertentu.

Persamaan pembezaan ini kesemuanya mengandungi derivatif (iaitu kadar perubahan) bagi beberapa fungsi yang tidak diketahui ini, seperti S (t), I (t) dan R (t) dalam model SIR, dipanggil Penyelesaian persamaan pembezaan. Berdasarkan mekanik persamaan ini, kita boleh memperoleh cara model itu direka, dan data kemudiannya akan digunakan untuk mengesahkan hipotesis kita.

Pengkelasan model matematik

Model matematik seperti persamaan pembezaan membuat andaian tentang mekanisme asas sistem terlebih dahulu Pemodelan bermula dalam fizik -usaha abad untuk membongkar dinamik asas di sebalik gerakan planet. Sejak itu, model mekanistik berasaskan matematik telah membuka kunci cerapan utama kepada banyak fenomena, daripada biologi dan kejuruteraan kepada ekonomi dan sains sosial. Model mekanisme sedemikian boleh dibahagikan kepada model berasaskan persamaan, seperti persamaan pembezaan, atau model berasaskan agen.

Pemodelan berasaskan pengalaman atau dipacu data, seperti pembelajaran mesin, adalah tentang memahami struktur sistem melalui data yang kaya. Pembelajaran mesin amat berguna untuk sistem yang kompleks di mana kita tidak benar-benar tahu cara memisahkan isyarat daripada bunyi bising, di mana hanya melatih algoritma pintar boleh membantu menyelesaikan masalah.

Tugas pembelajaran mesin boleh dibahagikan secara meluas kepada kategori berikut:

• Pembelajaran diselia (cth., regresi dan klasifikasi); pengurangan dimensi) ;
• Pembelajaran Pengukuhan

Pembelajaran mesin termaju dan sistem kecerdasan buatan kini berada di mana-mana dalam kehidupan seharian kita Tidak, daripada pembesar suara pintar- pembantu perbualan berasaskan (seperti Xiaodu) kepada pelbagai enjin pengesyoran, kepada teknologi pengecaman muka, dan juga kereta pandu sendiri Tesla. Semua ini didorong oleh pemodelan matematik dan statistik yang tertanam di bawah gunung kod.

Selain itu, model ini boleh dikelaskan sebagai "deterministik" (ramalan adalah tetap) atau "stochastic" (ramalan termasuk rawak).

Model deterministik mengabaikan pembolehubah rawak dan sentiasa meramalkan hasil yang sama di bawah keadaan permulaan yang sama. Secara umum, pembelajaran mesin dan model berasaskan persamaan adalah deterministik dan output sentiasa boleh diramal. Dengan kata lain, output ditentukan sepenuhnya oleh input.

Model stokastik mengambil kira perubahan rawak dalam populasi dengan memperkenalkan kebarangkalian ke dalam model. Satu cara untuk menangkap perubahan ini ialah menjadikan setiap entiti sebagai Ejen yang berasingan dalam model, dan mentakrifkan gelagat dan mekanisme yang dibenarkan untuk ejen ini, yang mempunyai kebarangkalian tertentu. Ini adalah model berasaskan Agen.

Walau bagaimanapun, kebolehcapaian memodelkan pelakon individu memerlukan kos, dan model berasaskan ejen adalah lebih realistik. Disebabkan oleh kos pengiraan yang tinggi dan kebolehtafsiran model, ini mengilhamkan konsep utama dalam pemodelan matematik: kerumitan model.

Kerumitan model

Dilema kerumitan model adalah realiti yang perlu dihadapi oleh semua pemodel Matlamat kami adalah untuk membina dan mengoptimumkan kedua-dua model terlalu mudah dan tidak terlalu kompleks. Model ringkas mudah dianalisis, tetapi selalunya kekurangan kuasa ramalan. Model yang kompleks mungkin nyata, tetapi adalah mungkin untuk cuba memahami kebenaran di sebalik masalah yang rumit.

Kita perlu membuat pertukaran antara kesederhanaan dan kemudahan analisis. Model pembelajaran mesin yang kompleks berusaha untuk mempelajari isyarat (iaitu, struktur sebenar sistem) sambil menolak hingar (iaitu, gangguan). Ini menyebabkan model berprestasi buruk pada data baharu. Dalam erti kata lain, model pembelajaran mesin kurang boleh digeneralisasikan.

Tindakan halus mengimbangi kerumitan model ialah "seni", cuba mencari titik manis yang tidak terlalu mudah dan tidak terlalu rumit. Model ideal ini menghilangkan bunyi bising, menangkap dinamik asas tentang perkara yang sedang berlaku dan boleh dijelaskan dengan munasabah.

Adalah penting untuk ambil perhatian bahawa ini bermakna model matematik yang baik tidak selalu betul. Tetapi tidak mengapa. Kebolehgeneralisasian ialah matlamat, dapat menjelaskan kepada khalayak mengapa model melakukan apa yang dilakukannya, sama ada mereka ahli akademik, jurutera atau pemimpin perniagaan.

Semua model adalah salah, tetapi ada yang berguna. ——George Box, 1976

Dalam pembelajaran mesin dan statistik, kerumitan model dipanggil tukar ganti bias-varian. Model berat sebelah tinggi adalah terlalu mudah, mengakibatkan kurang muat, manakala model varians tinggi mengingati hingar dan bukannya isyarat, mengakibatkan overfitting. Saintis data berusaha untuk mencapai keseimbangan yang halus ini melalui pemilihan algoritma latihan yang teliti dan penalaan hiperparameter yang berkaitan.

Persamaan Berbeza vs. Pembelajaran Mesin

Dalam pemodelan mekanisme, kami memerhati dan menyemak sistem dengan teliti sebelum membuat andaian tentang mekanisme asas sistem, dan kemudian mengesahkan model dengan data. Adakah andaian kita betul? Jika ya, kerana ia adalah mekanisme yang dipilih sendiri, adalah mungkin untuk menerangkan kepada sesiapa sahaja model yang berkelakuan seperti ini. Jika andaian itu salah, tidak mengapa, anda hanya membuang masa, bukan masalah besar. Permodelan adalah percubaan dan kesilapan. Main-main dengan andaian tersebut atau pun bermula dari awal. Model mekanisme, biasanya persamaan dalam bentuk persamaan pembezaan atau pun model berasaskan agen.

Dalam pemodelan dipacu data, kami mula-mula membiarkan data mula berfungsi dan membina pandangan panoramik sistem untuk kami. Apa yang perlu kita lakukan ialah memenuhi kualiti data mesin itu dan diharapkan mempunyai data yang mencukupi. Ini adalah pembelajaran mesin. Jika fenomena sukar untuk orang biasa fikirkan, mesin boleh ditala untuk menyaring bunyi dan mempelajari isyarat yang sukar difahami untuk kita. Tugas pembelajaran mesin standard termasuk regresi dan klasifikasi, yang dinilai menggunakan pelbagai metrik. Rangkaian saraf dan pembelajaran tetulang juga telah menjadi popular, membolehkan mereka mencipta model dan mempelajari isyarat kompleks yang mengejutkan.

Walaupun pembelajaran mesin telah wujud sejak tahun 1950-an, kerana komputer telah menjadi lebih berkuasa dan data telah meletup, bagaimanakah orang boleh menggunakan kecerdasan buatan untuk memperoleh kelebihan daya saing, meningkatkan cerapan dan keuntungan telah dilancarkan secara meluas? pelbagai amalan. Untuk senario aplikasi yang berbeza, pembelajaran mesin dan persamaan pembezaan mempunyai pelbagai senario.

Atas ialah kandungan terperinci Analisis ringkas pembelajaran mesin dan persamaan pembezaan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!