8 termini AI/ML spiegati per i principianti
Spiegare la matematica senza usare la matematica.
Se sei un principiante nel campo dell’apprendimento automatico, potresti essere bombardato da un diluvio di informazioni e gergo tecnico che non sono sempre facilmente comprensibili. Comprendere i termini comuni dell’IA, molti dei quali provengono dalla matematica (sfortunatamente), è un compito difficile se si parte da zero e non si ha un background tecnico.
Abbiamo compilato un elenco di alcuni di questi termini comuni di apprendimento automatico che vengono utilizzati in ogni progetto e li abbiamo spiegati nel modo più semplice e con il minor numero possibile di matematica .
1 Classificazionemj
Il passaggio fondamentale dell’apprendimento automatico è la previsione dei valori in base ai valori di input e la classificazione si occupa di identificare e separare i punti dati in diversi gruppi in base ai dati di addestramento.
Ad esempio, identificare “spam” e “non spam” in base ai dati di input o differenziare i caratteri scritti a mano in base al set di caratteri noti.
2 Regressione
Un altro metodo per la modellazione predittiva basato sull’apprendimento supervisionato, la regressione implica la previsione di un risultato numerico basato sul punto dati di input. In altre parole, si tratta di determinare una relazione causale tra l’input (variabile indipendente) e l’output (variabile dipendente).
Ad esempio, prevedere il prezzo di una casa in base alle caratteristiche e all’ubicazione della casa.
3 Sottodimensionamento
Quando i dati di addestramento non sono sufficienti per l’apprendimento del modello, potrebbe non riuscire a identificare l’adattamento migliore per la tendenza dominante. Questo si chiama underfitting. Ciò accade spesso quando l’addestramento di una rete neurale viene interrotto e non viene addestrato abbastanza a lungo su dati sufficienti, riducendo così l’accuratezza e l’affidabilità del modello.
Ad esempio, l’underfitting si verifica quando si presume che i dati siano lineari mentre per lo più non lo sono.
4 Overfitting
Contrariamente all’underfitting, l’overfitting si verifica quando il modello viene addestrato su troppi dati e viene modellato per imparare dal rumore e dai dati imprecisi. Ciò fa sì che il modello cerchi di coprire tutti i punti dati presenti nel set di dati dato riducendo l’accuratezza del modello.
L’overfitting si verifica anche quando il modello viene addestrato sui dati di addestramento per troppo tempo, con conseguenti prestazioni elevate sui dati di addestramento ma non sui valori reali.
5 Funzione di perdita e funzione di costo
Per testare l’accuratezza e calcolare l’errore tra il valore effettivo e quello previsto di un singolo punto dati, viene calcolata la funzione di perdita. Questo aiuta a valutare l’accuratezza del modello.
La funzione di costo è la differenza aggregata dell’intero set di dati di addestramento. Questo serve per calcolare la somma degli errori per più dati. Entrambi i termini sono spesso usati in modo intercambiabile.
Dai un’occhiata alla serie Techie-la Shots di AIM Media Studios per conoscere l’intelligenza artificiale e l’apprendimento automatico dal punto di vista di un principiante.
6 Rete neurale
Come possiamo intuire dal nome, le reti neurali si riferiscono a quei tipi di modelli ML che cercano di imitare il funzionamento di un cervello umano. Questi sono solitamente rappresentati graficamente e consistono in semplici operazioni matematiche combinate per eseguire compiti complicati utilizzando diversi livelli collegati tra loro.
Spiegato semplicemente, le reti neurali artificiali hanno livelli diversi per input, elaborazione e output molto simili a come funziona la visione negli esseri umani.
7 Parametri e iperparametri
Conosciuti come “pesi”, i parametri sono i valori che il modello ML apprende direttamente dai dati di addestramento. Questi valori definiscono l’abilità del modello e sono inseriti dai professionisti. I parametri vengono continuamente aggiornati mediante algoritmi di ottimizzazione. Questi sono stimati durante il processo di formazione.
Anche gli iperparametri sono parametri, ma questi valori controllano il processo di apprendimento e la messa a punto del modello. Sono parametri specificati che sono essenziali per l’ottimizzazione del modello e sono sempre esterni e indipendenti dal set di dati come la funzione di attivazione.
8 Convalida e dati di test
Alcuni dei dati di addestramento vengono trattenuti durante l’addestramento del modello che viene successivamente utilizzato per stimarne l’abilità e l’efficienza, chiamati dati di convalida. Viene utilizzato per la messa a punto degli iperparametri del modello.
D’altra parte, i dati di test sono il set di dati su cui viene valutato il modello finale costruito. I dati di test non sono etichettati, al contrario dei dati di addestramento e convalida, e quindi dimostrano l’applicazione nel mondo reale del modello ML
