მთავარი დასკვნა
სისტემის გადაწყვეტილების შეფასებისას იკითხეთ, რა ამოცანას ემსახურება, რა მონაცემებზე გაიწვრთნა და როგორ ვლინდება და მოწმდება შეცდომები.
ალგორითმი ნაბიჯებს განსაზღვრავს; მოდელი ნიმუშებს ასახავს
ალგორითმი შემავალ მონაცემებზე გამოყენებული განსაზღვრული ნაბიჯების სასრული ნაკრებია, მაგალითად მოვლენების დროით დალაგება. მანქანური სწავლების ალგორითმს შეუძლია მაგალითებიდან პარამეტრების შესწავლა და მოდელის შექმნა; შემდეგ მოდელი ახალი შეყვანისთვის შედეგს ითვლის. ფიქსირებული წესი ერთნაირ პირობებში გამეორებად ნაბიჯებს განსაზღვრავს, გაწვრთნილი მოდელი კი შერჩეულ მონაცემებში ნაპოვნ ნიმუშებს ეყრდნობა. ორივე შეიძლება პროგრამულად შესრულდეს, მაგრამ „ალგორითმი“, „მოდელი“ და „AI“ ერთსა და იმავეს არ ნიშნავს.
წესი
იყენებს ადამიანის მიერ დაწერილ პირობებსა და მოქმედებებს.
მოდელი
ახალ მაგალითს აფასებს მონაცემებიდან შესწავლილი პარამეტრებით.
არქიტექტურა
განსაზღვრავს მოდელის აგებულებას; CNN ერთ-ერთი მაგალითია.
გამიჯნეთ წვრთნა და დასკვნის გამოთვლა
წვრთნისას მოდელი პარამეტრებს მაგალითებითა და შერჩეული მიზნის მიხედვით არეგულირებს. სასწავლო ნაკრების დამახსოვრება საკმარისი არ არის: სასარგებლო შედეგი იმ მონაცემებზეც უნდა შენარჩუნდეს, რომლებიც მოდელს არ უნახავს. დასკვნის გამოთვლისას გაწვრთნილი მოდელი ახალი შეყვანისთვის შედეგს ითვლის. მაგალითად, მონიშნულ ისტორიულ მონაცემებზე გაწვრთნილმა კლასიფიკატორმა ახალ ფაილს შეიძლება რისკის კატეგორია მიანიჭოს. მისი შედეგი შეიძლება ალბათობა ან ქულა იყოს; მნიშვნელობას ამოცანა, ზღვარი და გადამოწმების მეთოდი განსაზღვრავს.
წვრთნა
მოდელი პარამეტრებს ისტორიულ მაგალითებს არგებს; სატესტო მონაცემები ცალკე შეინახეთ.
დასკვნის გამოთვლა
მოდელი ახალი შეყვანისთვის შედეგს ითვლის; შეამოწმეთ იგი დაფიქსირებულ შედეგებსა და გადაწყვეტილების წესებთან მიმართებით.
CNN‑მაგალითი: ადგილობრივი ნიშნებიდან კლასიფიკაციამდე
კონვოლუციური ნეირონული ქსელი (CNN) ფილტრებით სწავლობს შემავალი მონაცემების განმეორებად ადგილობრივ სტრუქტურას. კონვოლუციური ფენები ნიშნების რუკებს ქმნის, გაერთიანებამ მათი ზომა შეიძლება შეამციროს, შემდგომი ფენები კი ნიშნებს აერთიანებს შეყვანის კლასიფიცირებისთვის. გამოსახულებაში ნიშნები შეიძლება კიდეები და ფორმები იყოს; უსაფრთხოების კვლევით ამოცანაში ფაილის ბაიტებიც შეიძლება გამოსახულებად წარმოჩინდეს. მაგალითად, ფაილები ერთიანი წესით ნაცრისფერ გამოსახულებებად გარდაქმენით, მოდელი მონიშნულ მაგალითებზე გაწვრთენით და შემდეგ ცალკე ფაილთა ნაკრებზე ოჯახისა და ვარიანტის მიხედვით შეცდომები შეამოწმეთ. შედეგი ამ წარმოდგენასა და სატესტო ნაკრებს ეხება.
მოდელი დანიშნული ამოცანის მიხედვით შეაფასეთ
გაარკვიეთ, რომელ გადაწყვეტილებას ემსახურება მოდელი, რა მაგალითებზე შეფასდა და სად შეიძლება მისი შედეგი არასანდო იყოს. კლასიფიკაციისთვის გაზომეთ როგორც ცრუ დადებითი, ისე ცრუ უარყოფითი შედეგები: უვნებელი ფაილის დაბლოკვასა და მავნე ფაილის გამოტოვებას სხვადასხვა ხარჯი აქვს. ხელახლა შეაფასეთ შემავალი მონაცემების, ქცევის ან მოდელის ცვლილებისას. მომწოდებელს მოსთხოვეთ შეფასების ანგარიში, რომელიც აჩვენებს სასწავლო მონაცემების ფარგლებს, როგორ ინახებოდა სატესტო მაგალითები ცალკე, შესაბამის გარემოში გაზომილ ცრუ დადებით და ცრუ უარყოფით მაჩვენებლებს, შედარების საბაზისო მეთოდსა და ცნობილ შეზღუდვებს.