Terminologia ML
Le principali terminologie di apprendimento automatico sono:
- Relazioni
- Etichette
- Caratteristiche
- Modelli
- Formazione
- Inferenza
Relazioni
I sistemi di apprendimento automatico utilizzano le relazioni tra gli input per produrre previsioni .
In algebra, una relazione è spesso scritta come y = ax + b :
- y è l'etichetta che vogliamo prevedere
- a è la pendenza della linea
- x sono i valori di input
- b è l'intercettazione
Con ML, una relazione è scritta come y = b + wx :
- y è l'etichetta che vogliamo prevedere
- w è il peso (la pendenza)
- x sono le caratteristiche (valori di input)
- b è l'intercettazione
Etichette di apprendimento automatico
Nella terminologia di Machine Learning, l' etichetta è ciò che vogliamo prevedere .
È come la y in un grafico lineare:
Algebra | Apprendimento automatico |
y = ax + b | y = b + wx |
Funzionalità di apprendimento automatico
Nella terminologia di Machine Learning, le funzionalità sono l' input .
Sono come i valori x in un grafico lineare:
Algebra | Apprendimento automatico |
y = una x + b | y = b + w x |
A volte possono esserci molte caratteristiche (valori di input) con pesi diversi:
y = b + w1x1 + w2x2 + w3x3 + w4x4 _ _ _ _ _
Modelli di apprendimento automatico
Un Modello definisce la relazione tra l'etichetta (y) e le caratteristiche (x).
Ci sono tre fasi nella vita di un modello:
- Raccolta dati
- Formazione
- Inferenza
Formazione sull'apprendimento automatico
L'obiettivo della formazione è creare un modello in grado di rispondere a una domanda. Ad esempio, qual è il prezzo previsto per una casa?
Inferenza di apprendimento automatico
L'inferenza è quando il modello addestrato viene utilizzato per dedurre (prevedere) i valori utilizzando dati in tempo reale. Come mettere in produzione il modello.