Вам пришлось объяснить для кого-то, что такое машинное обучение (ML)? Для вашего босса, инвестора, друга, семьи или кого-либо? Я думаю, что все, кто использует ML на работе, приходилось объяснить это. Иногда трудно, потому что некоторые люди не знают математики или статистики очень хорошо (а некоторые другие даже не знают, что это такое). Когда я должен объяснить это, я всегда стараюсь понять, кто будет ссылаться, потому что, если бы я разговаривал с моим боссом, он знает что-то из математики, и я могу сказать такие вещи, как «функция» или «переменная». Но когда я говорю со своими друзьями, они даже не знают, что это (иногда они сказали, что они понимают, но я знаю, что это ложь, ха-ха). Эта статья – это методолий, который я развиваю, чтобы объяснить, что является ML для всех, без технических слов или математического языка. Я надеюсь, что вы можете использовать его столько же, сколько я.
Первые вещи в первую очередь
Позвольте мне представить вам значение обучения. Когда мы сказали: «Машина действительно думает о том, что« одинаково из »машина делает некоторые кач. Я знаю, что это может вести себя как-то трудно понять, но все делают Calc, когда мы пытаемся подумать. Позволь мне показать тебе.
Если мне нужно знать, как лучший способ отправиться отсюда до ближайших Starbucks. Наш разум начинает думать в: Сколько времени это займет, если я выберу путь, б по пути или даже C по дорогу? Или другой подумает: сколько миль (или километров) мне нужно будет идти, если я найду пути, б по пути или с дороги? Посмотрите все эти вопросы, заставляли вас подумать в «Сколько», но вы также можете подумать: какой путь более безопасен. Но как мы можем измерить безопасность? Количество робовников по соседству? Количество автомобилей на улице? Сумма людей транзит в нем в день? Даже ваш качественный вопрос может быть прикрыт количественному. И это красота мышления.
Когда мы пытаемся изучить то, что мы моделируем возможности делать что-то на основе наших собственных испытаний. Мы знаем, что путь B более короткий, чем путь C, но путь C в некоторые часы дня не является безопасным, поэтому мы можем выбрать путь B вместо того, чтобы С.И. Посмотрим, мы интерпретируем наши данные с нашими наблюдениями и учимся с этим. Я знаю, что вам приходилось ходить во все эти диссертации, чтобы узнать лучшее выбрать.
Машина сделает то же самое, что и вы. Но это будет использовать математику, чтобы понять лучшее выбору. И это может использовать много типов мышления, чтобы выбрать лучшее. Как вы можете предпочесть сделать что-то из-за чего-то, машина может подумать, отличное от другого. Мы называем это алгоритмом, и данные, которые мы используем, чтобы выбрать, мы называем его функциями (или вы можете назвать ее переменными).
Как мы можем что-то предсказать?
Теперь мы понимаем, что учится с точки зрения мышления, как мы можем предсказать будущее?
Как мы видим наверху, нам нужно производить наши наблюдения, основанные на нашей жизни. Машина может сделать то же самое, чтобы предсказать будущее, но вам нужно дать данные для него. Машины могут использовать данные из прошлого, чтобы лучше понять, как будет будущее.
Представьте себе теперь, когда вы начнете работать на новой работе, и не знаете лучший способ для этого. Вам нужно начать идти туда без каких-либо восприятий. Через 10 раз собираюсь работать, вы можете выбрать лучший способ, потому что у вас есть данные, чтобы понять, что лучше. После 100 раз у вас может быть твердое мышление в чем лучше, и выберете всегда правильно.
Машины сделают то же самое. Вы можете пройти 10 наблюдений, и он что-то предсказует, но когда все больше и больше данных пройдено, он может лучше предсказать. Если вы хотите увидеть, как они действуют сам по себе, вы можете просто пройти датчики и сказать, иди от A до B. Он начнет делать ваши собственные наблюдения, и вам просто нужно сказать, если это сделало хорошие или плохие решения.
Смотри, у нас сейчас есть 2 типа акта. Вы можете научить машине, проходящую данные к нему из прошлого, или вы можете просто сказать, сделал ли он хороший выбор. Это называется контролируемыми и неповторимыми методами.
Но как это может создать правила? Давайте представим настраиваемый двигатель, который делает фруктовый сок. Вы можете настроить его, чтобы сделать апельсиновый сок, нажав несколько кнопок, вставьте в него апельсины, и у вас будет апельсиновый сок на последнем этапе. Если вы хотите, чтобы сок Mango, вам нужно установить другие конфигурации, введите mango И это будет производить манго сок.
Теперь вы хотите папайю сок, но теперь мы не о том, как установить конфигурацию. Вы начнете нажать на несколько кнопок, пытающихся создать правильную конфигурацию, чтобы сделать это. Теперь вы учитесь использовать этот двигатель для получения сока папайи.
Обычные функции действуют как первый эквиумп. У нас есть данные, а также правила, и она дает нам результат. В других руках ML понадобится только данные и результат, и он выводит правила для этого. Поэтому, если вы проходите сок папайи и папайи к двигателю с ML, он даст конфигурацию, чтобы сделать вам сок папайи. Теперь вы можете получить эту конфигурацию и данные, положить его в двигатель без ML, чтобы начать производить сок папайи.
И это замечательно. Вы можете использовать ML, чтобы узнать правила сделать что-то, и с настоящими правилами в ваших руках вы можете повторить его, чтобы предсказать будущее.
Вывод
Я знаю, что этот метод не точен, как и ожидалось, но для меня он работает лучше, чем когда я показываю графики, функции, методы и все скучные вещи для обычных народов. Вы можете адаптировать его к своим собственным наблюдениям, потому что в конце концов, мы являемся двигателями сока, адаптирующие наши конфигурации, чтобы сделать лучший фруктовый сок.
Некоторые люди начнут сделать несколько вопросов, как: что вы делаете, когда что-то происходит? Что мне нужно, чтобы начать подпись лучше этого? Сколько времени вы изучали, чтобы узнать это? И такие другие. В этом случае я советую вам попытаться объяснить своими собственными словами и пытаться не пугать их ха-ха. Может быть, они думают в Подробнее И ты можешь быть их учителем. Удачи и комментарий, если у вас есть другие идеи, чтобы объяснить лучше, что является ML.
Оригинал: “https://dev.to/rzorzal/how-to-easy-explain-machine-learning-for-everyone-2fmk”