Q:
Pourquoi la visualisation des données est-elle utile pour les algorithmes d'apprentissage automatique?
UNE:La discipline de la visualisation des données nous offre des moyens pratiquement infinis de montrer ce qui se passe avec les algorithmes d'apprentissage automatique. Cela vaut la peine de réfléchir à la raison pour laquelle la visualisation des données est si importante et pourquoi elle libère tant de pouvoir créatif pour tant de personnes qui s'impliquent dans les processus d'apprentissage automatique.
Pour comprendre la valeur de la visualisation de données pour l'apprentissage automatique, jetez un œil à l'un des algorithmes utilisés pour créer ces programmes innovants et révolutionnaires.
L'un des plus simples est l'arbre de décision. Sans entrer dans les fonctions d'activation ou les couches cachées ou quelque chose comme ça, l'arbre de décision est simplement des ensembles de nœuds binaires. Mais même l'arbre de décision simple est très difficile à décrire ou à écrire. C'est beaucoup plus facile quand il est visualisé sur un écran ou sur une page. Lorsque vous voyez chaque nœud et ses connexions aux autres nœuds, tout devient évident.
Prenons maintenant l'un des types d'algorithmes d'apprentissage machine les plus byzantins et élaborés - le réseau neuronal.
À certains égards, les réseaux de neurones sont en réalité des collections d'algorithmes d'apprentissage automatique. La configuration de base comprend une couche d'entrée, des couches cachées et une couche de sortie. Les fonctions d'activation aident les neurones numériques individuels à traiter les entrées pondérées.
Tous ces éléments et tous ces processus s'expliquent beaucoup plus facilement par la visualisation des données que par des descriptions verbales ou écrites. Vous pouvez dire qu'un réseau de neurones a des entrées pondérées qui se jettent dans une couche d'entrée, et qu'elles fusionnent dans une couche cachée et se consolident en une sortie donnée, mais lorsque vous utilisez une figure visuelle pour montrer comment cela fonctionne, l'œil humain et l'humain le cerveau s'y accroche d'une manière beaucoup plus directe et utile.
Dans un sens, vous pouvez voir la puissance de la visualisation des données même sans prendre en compte l'apprentissage automatique. À l'époque de la programmation linéaire, les compilateurs et les studios de langage informatique donnaient aux programmeurs le choix de définir un programme de test étape par étape où ils pouvaient inspecter les valeurs des variables dans de petites boîtes visuelles. Encore une fois, cela a permis de montrer ce qui se passe dans une exécution bien mieux que de simplement lire une base de code.
L'apprentissage automatique est une programmation hyper intensive - c'est une programmation probabiliste et c'est pourquoi la visualisation des données nous aide vraiment à comprendre ce qui se passe avec un algorithme ou un processus donné.
