Per quanto riguarda l'apprendimento automatico, oggi sembra essere un argomento che tutti conoscono.Ma alcuni anni fa, quando Elizabeth si è unita per la prima volta a JMP, era ancora pieno di curiosità e interesse nell'esplorare queste aree.Oggi inizieremo il viaggio di apprendimento automatico ed esplorazione insieme.
L'autore di questo articolo è Elizabeth Claassen, il testo originale è pubblicato nella comunità JMP di utenti globali JMP Community, gli amici interessati al testo originale possono anche essere direttamente Visualizza originale .
Quando si è unito a JMP nel 2014, Elizabeth ha appena conseguito un dottorato in statistica da una scuola con una lunga e illustre storia di esperimenti agricoli e di modellazione ibrida. Aveva l'abitudine di fare piccoli progetti sperimentali, massimizzando le informazioni attraverso una pianificazione sensata, l'analisi tecnica di modelli misti e una produzione ottimizzata.L'esempio più semplice è il design della zona divisa.Questo è vero se gli scienziati che lavorano con lei provengono da scienza animale, entomologia, scienze alimentari o educazione.
Poco dopo l'ingresso in JMP, il calore dei big data ha raggiunto il suo picco.Ciò che seguì fu l'ascesa dell'apprendimento automatico in pochi anni.Non sorprende che l'aumento dell'apprendimento automatico sia in ritardo rispetto ai big data.Quindi cosa dovresti fare dopo aver raccolto i dati?Ovviamente, viene analizzato utilizzando strumenti di machine learning.
L'educazione formale che Elizabeth ha ricevuto a scuola non si riferiva specificamente al campo dell'apprendimento automatico, ma dopo aver iniziato a lavorare come sviluppatore statistico, questi erano gli elementi chiave che avevano bisogno di lei per padroneggiare rapidamente.Quindi, quando ha fatto il primo passo in un nuovo tema, ha iniziato a conoscere l'apprendimento automatico sul sito Web di Wikipedia.
"L'apprendimento automatico è un campo interdisciplinare che utilizza tecniche statistiche per consentire ai sistemi informatici di apprendere dai dati (ad esempio, per migliorare gradualmente le prestazioni di un particolare compito) senza necessità di programmazione esplicita."
Sembra incredibile? Come può un sistema informatico "imparare" qualcosa senza una programmazione chiara? "Non abbiamo ancora implementato Skynet.Pensò Elizabeth.Così ha continuato a scavare più a fondo.
L'Enciclopedia Britannica definisce l'apprendimento automatico come: "L'apprendimento automatico nell'intelligenza artificiale (informatica) è una disciplina che si concentra sulla realizzazione dell'apprendimento autonomo del software per computer."
Dopo aver appreso di più sull'apprendimento automatico, Elizabeth era più interessata all'apprendimento autonomo del software."Non esiste una programmazione esplicita" significa che una volta passato all'algoritmo, l'algoritmo non ha ulteriori istruzioni da parte degli umani per fare il resto.
Basandosi sulle definizioni di cui sopra e sulla cognizione dei termini che usa, Elizabeth riconosce che l'apprendimento automatico è la parola chiave dell'intelligenza artificiale corrente, ovvero algoritmi informatici che prendono decisioni, previsioni o classificazioni basate sui dati.
Apprendimento supervisionato e senza supervisione
Quindi, JMP può implementare l'apprendimento automatico? La risposta è sì! Tecnicamente, JMP ha capacità di apprendimento automatico sin dal suo primo rilascio nel 1989.Ciò dimostra che JMP è sempre stata in prima linea nei tempi.Quindi, diamo un'occhiata più da vicino agli algoritmi che tutti considerano quando parlano di machine learning.
Spesso gli algoritmi di apprendimento automatico sono suddivisi in diversi tipi: apprendimento supervisionato e non supervisionato.
- Per l'apprendimento supervisionato, l'algoritmo utilizza sia le variabili predittive (colonne X) che le variabili di reazione (colonne Y). I dati di addestramento raggiungono la "supervisione" indicando all'algoritmo quale dovrebbe essere il valore atteso della variabile prevista per il valore dato.
- Per l'apprendimento non supervisionato, l'algoritmo utilizza solo variabili predittive e qualsiasi modello è determinato solo da loro.Senza usare alcuna "verità" (risposta), in effetti molti di noi non conoscono la verità.
JMP In quali categorie ci sono gli algoritmi di apprendimento automatico?
Apprendimento supervisionato
|
Apprendimento senza supervisione
|
Albero delle decisioni *
|
Cluster
|
Rete neurale
|
Mappa auto-organizzante
|
Legge sulle foreste di bootstrap *
|
Analisi di associazione
|
ritorno
|
Scomposizione del valore singolare
|
K vicino più prossimo *
|
|
Guscio semplice *
|
|
Le funzioni con un asterisco (*) sono limitate a JMP Pro.
Vedendo questo, molte persone potrebbero essere sorprese dal "ritorno" nella lista, pensando che questo non è l'apprendimento automatico nel senso convenzionale.Ma in realtà è la forma più diretta di apprendimento supervisionato. JMP 1 La versione ha Misura Y per X Funzione di regressione, JMP 3 Un aumento del Cluster Successivamente, continuano ad apparire altre opzioni di apprendimento automatico JMP Nella nuova versione. Coloro che hanno familiarità con uno o più algoritmi potrebbero notare delle somiglianze tra di loro.Molti modelli possono produrre un'incredibile precisione di previsione, ma può essere difficile interpretare i coefficienti del modello o dividere Il significato del punto.Ad esempio, i risultati della predizione possono essere ricavati rintracciando i nodi dell'albero decisionale, ma non vi è alcun significato intrinseco alla base della selezione di questi nodi. Non lo sappiamo categoria I parametri nel modello di rete neurale sono stimati a " Mondo reale " Cosa significa, ma categoria Le reti neurali sono uno dei migliori modelli predittivi di apprendimento automatico.
Al contrario, i modelli di regressione forniscono agli utenti una stima dei parametri che hanno un significato intrinseco.Se il coefficiente è positivo, sappiamo che aumenterà il valore di questo predittore di un'unità Valore di reazione Aggiungi uno uguale a reparto La quantità del valore.Questo e Galit Shmueli La "interpretazione o predizione" che il dottore ha detto è correlata.In questo trade-off, la migliore fold Zhong Uno dei programmi è Fit Model La funzione di regressione generalizzata della piattaforma.proprio come JMP Sviluppatore statistico Clay Barker Come detto, usa laccio o Rete elastica Le prestazioni di previsione possono essere migliorate e questo modello può ancora essere ben spiegato.
Ma c'è una mancanza di interpretabilità? Forse, forse no.
- Un modello interpretabile non è necessario se l'utente è focalizzato sul raggiungimento delle previsioni più accurate degli eventi futuri.
- Al contrario, se l'utente desidera un approccio più specifico " Migliora i loro punteggi " , puoi scegliere un modello interpretabile.
Tutto sommato, la chiave di ogni modello è che puoi mettere in azione l'output del modello.
Ancora bisogno di un intervento umano
Anche se gli algoritmi informatici possono fare tutte le grandi cose, l'analisi manuale è ancora necessaria per gestire problemi più avanzati.
Ad esempio:
Quali dati dovrebbero essere inclusi o esclusi dall'analisi?
- Alcuni algoritmi hanno la capacità di selezionare variabili importanti, ma se il modello non fornisce al computer una variabile all'inizio, anche se la variabile è altamente prevedibile, il computer non la selezionerà automaticamente.
- Dov'è il punto di rendimenti decrescenti?
Se il modello è troppo complesso per essere eseguito nel tempo richiesto, non ha alcun senso.Forse un modello meno complesso può fornire risultati quasi altrettanto validi e può correre velocemente.Un esempio ben noto è il vincitore dei Netflix Awards.La performance del modello vincente è quasi migliore di quanto ci si aspetti, ma non può essere eseguita in un ambiente immediato.Perché Netflix deve consigliare agli utenti cosa guardare dopo, ma la quantità di dati e la velocità di elaborazione richiesta dal modello rende impossibile farlo in tempo.
- C'è un pregiudizio intrinseco nel modello?
Ovviamente, gli algoritmi informatici non hanno il pregiudizio che gli umani hanno, ma gli algoritmi possono produrre modelli altamente correlati con le caratteristiche del pregiudizio.Ad esempio, in un mutuo, ci sono alcune caratteristiche che sono illegali quando si prende una decisione di prestito.Tuttavia, ci sono diversi fattori legittimi che sono altamente correlati con fattori illegali.Ad esempio, anche se la razza non è direttamente parte dei dati, l'algoritmo può generare un modello che respinge quasi completamente una razza particolare, e questo modello avrà probabilmente conseguenze legali.
- Quando dovrei aggiornare il modello?
Lo scopo della modellazione è generare un output che ci consenta di agire, quindi una volta che il modello è stato messo in atto, il modello deve essere aggiornato.Questi aggiornamenti sono obbligatori poiché le modifiche all'implementazione influiranno sul futuro input del modello.Se si continua a utilizzare il modello precedente, esiste il rischio di estrapolazione oltre i limiti dei dati originali.Pertanto, solo gli umani possono rispondere alla domanda su quale punto il modello dovrebbe essere aggiornato.
Ecco perché, nonostante la popolarità dell'apprendimento automatico, è necessario un intervento umano per costruire modelli migliori e aggiornare i modelli per garantire che modelli accurati servano il nostro lavoro in modo più efficace.
Nel prossimo articolo, introdurremo ulteriormente due algoritmi di apprendimento automatico: k vicini più vicini e shell semplici, e attraverso casi pratici per vedere come utilizzare questi due metodi per analizzare alcuni dati interessanti nella vita quotidiana.
