Q:
Comment les professionnels de l'apprentissage automatique utilisent-ils la prédiction structurée?
UNE:Les professionnels de l'apprentissage automatique utilisent la prédiction structurée de nombreuses manières, généralement en appliquant une certaine forme de technique d'apprentissage automatique à un objectif ou un problème particulier qui peut bénéficier d'un point de départ plus ordonné pour l'analyse prédictive.
Une définition technique de la prédiction structurée implique «de prédire des objets structurés plutôt que des valeurs scalaires discrètes ou réelles».
Une autre façon de dire cela serait qu'au lieu de simplement mesurer des variables individuelles dans le vide, les prédictions structurées fonctionnent à partir d'un modèle d'une structure particulière et l'utilisent comme base pour apprendre et faire des prédictions. (Lire Comment l'IA peut-elle aider dans la prédiction de personnalité?)
Les techniques de prédiction structurée sont très variables - des techniques bayésiennes à la programmation logique inductive, aux réseaux logiques de Markov et aux machines à vecteur de support structuré ou aux algorithmes de voisin le plus proche, les professionnels de l'apprentissage automatique ont un large éventail d'outils à leur disposition pour appliquer aux problèmes de données.
Ce qui est commun dans ces idées est l'utilisation d'une structure sous-jacente sur laquelle le travail d'apprentissage automatique est fondé de manière inhérente.
Les experts donnent souvent l'idée du traitement du langage naturel, où des parties du discours sont étiquetées pour représenter des éléments d'une structure de texte - d'autres exemples incluent la reconnaissance optique de caractères, où un programme d'apprentissage automatique reconnaît des mots manuscrits en analysant des segments d'une entrée donnée ou une image complexe traitement, où les ordinateurs apprennent à reconnaître des objets sur la base d'une entrée segmentée, par exemple, avec un réseau neuronal convolutif composé de nombreuses «couches».
Les experts pourraient parler de la classification multiclasse linéaire, des fonctions de compatibilité linéaire et d'autres techniques de base pour générer des prédictions structurées. Dans un sens très général, les prédictions structurées s'appuient sur un modèle différent du domaine plus large de l'apprentissage automatique supervisé - pour revenir à l'exemple des prédictions structurées dans le traitement du langage naturel et des phonèmes ou mots étiquetés, nous voyons que l'utilisation de l'étiquetage pour l'apprentissage automatique supervisé est orienté vers le modèle structurel lui-même - le texte significatif qui est fourni, peut-être dans des ensembles de test et des ensembles de formation.
Ensuite, lorsque le programme d'apprentissage automatique est libéré pour faire son travail, il est fondé sur le modèle structurel. Selon les experts, cela explique en partie comment le programme comprend comment utiliser des parties du discours comme les verbes, les adverbes, les adjectifs et les noms, plutôt que de les confondre avec d'autres parties du discours, ou de ne pas pouvoir distinguer comment ils fonctionnent dans un contexte mondial. . (Lisez à quel point vos données sont structurées? Examen des données structurées, non structurées et semi-structurées.)
Le domaine de la prédiction structurée reste un élément clé de l'apprentissage automatique à mesure que divers types d'apprentissage automatique et d'intelligence artificielle évoluent.
